Question

假设我有一个用户活动日志，我想生成一个总持续时间和每天唯一身份用户数的报告。

import numpy as np
import pandas as pd
df = pd.DataFrame({'date': ['2013-04-01','2013-04-01','2013-04-01','2013-04-02', '2013-04-02'],
    'user_id': ['0001', '0001', '0002', '0002', '0002'],
    'duration': [30, 15, 20, 15, 30]})

聚合持续时间非常简单：

group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg
            duration
date
2013-04-01        65
2013-04-02        45

我想要做的是同时对持续时间和计数进行求和，但我似乎无法找到count_distinct的等价物：

agg = group.aggregate({ 'duration': np.sum, 'user_id': count_distinct})

这有效，但肯定有更好的方法，不是吗？

group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg['uv'] = df.groupby('date').user_id.nunique()
agg
            duration  uv
date
2013-04-01        65   2
2013-04-02        45   1

我想我只需要提供一个函数，将一个Series对象的不同项的计数返回给聚合函数，但是我没有太多关于各种库的信息。此外，似乎groupby对象已经知道这些信息，所以我不会只是重复工作吗？

Answer 1

如何：

>>> df
         date  duration user_id
0  2013-04-01        30    0001
1  2013-04-01        15    0001
2  2013-04-01        20    0002
3  2013-04-02        15    0002
4  2013-04-02        30    0002
>>> df.groupby("date").agg({"duration": np.sum, "user_id": pd.Series.nunique})
            duration  user_id
date                         
2013-04-01        65        2
2013-04-02        45        1
>>> df.groupby("date").agg({"duration": np.sum, "user_id": lambda x: x.nunique()})
            duration  user_id
date                         
2013-04-01        65        2
2013-04-02        45        1

Answer 2

＆＃39;此外，唯一＆＃39;现在是.agg（）的一个选项，所以：

df.groupby('date').agg({'duration': 'sum', 'user_id': 'nunique'})

Answer 3

只是添加已经给出的答案，使用pd.Series.nunique的解决方案似乎要快得多，在~21M行数据帧上进行测试，然后分组到~2M

%time _=g.agg({"id": lambda x: x.nunique()})
CPU times: user 3min 3s, sys: 2.94 s, total: 3min 6s
Wall time: 3min 20s

%time _=g.agg({"id": pd.Series.nunique})
CPU times: user 3min 2s, sys: 2.44 s, total: 3min 4s
Wall time: 3min 18s

%time _=g.agg({"id": 'nunique'})
CPU times: user 14 s, sys: 4.76 s, total: 18.8 s
Wall time: 24.4 s

Pandas聚合计数不同

3 个答案: