熊猫，groupby和伯爵

Question

我有一个像这样的数据框

>>> df = pd.DataFrame({'user_id':['a','a','s','s','s'],
                    'session':[4,5,4,5,5],
                    'revenue':[-1,0,1,2,1]})

>>> df
   revenue  session user_id
0       -1        4       a
1        0        5       a
2        1        4       s
3        2        5       s
4        1        5       s

会话和收入的每个值代表一种类型，我想计算每种类型的数量，表示revenue=-1的{​​{1}}和session=4的数量是1。

我发现简单的调用count（）函数，而groupby（）无法输出我想要的结果。

user_id=a

我该怎么做？

Answer 1

熊猫> = 1.1：df.value_counts可用！

从pandas 1.1开始，这是我推荐的用于计算组中行数（即组大小）的方法。要计算组中特定列中非南行的数量，请检查accepted answer。

旧

df.groupby(['A', 'B']).size()   # df.groupby(['A', 'B'])['C'].count()

新 [✓]

df.value_counts(subset=['A', 'B']) 

请注意，size和count不相同，前者统计每组中的所有行，后者仅统计非空行。有关更多信息，请参见this other answer of mine。

---

最小示例

pd.__version__
# '1.1.0.dev0+2004.g8d10bfb6f'

df = pd.DataFrame({'num_legs': [2, 4, 4, 6],
                   'num_wings': [2, 0, 0, 0]},
                  index=['falcon', 'dog', 'cat', 'ant'])
df
        num_legs  num_wings
falcon         2          2
dog            4          0
cat            4          0
ant            6          0

df.value_counts(subset=['num_legs', 'num_wings'], sort=False)

num_legs  num_wings
2         2            1
4         0            2
6         0            1
dtype: int64

将此输出与

进行比较

df.groupby(['num_legs', 'num_wings'])['num_legs'].size()

num_legs  num_wings
2         2            1
4         0            2
6         0            1
Name: num_legs, dtype: int64

---

性能

如果不对结果进行排序，它也会更快：

%timeit df.groupby(['num_legs', 'num_wings'])['num_legs'].count()
%timeit df.value_counts(subset=['num_legs', 'num_wings'], sort=False)

640 µs ± 28.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
568 µs ± 6.88 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

Answer 2

您似乎想要一次分组几列：

df.groupby(['revenue','session','user_id'])['user_id'].count()

应该给你你想要的东西

Answer 3

我使用上面提供的解决方案来解决同一问题。您实际上可以指定要计数的任何列：

df.groupby(['revenue','session','user_id'])['revenue'].count()

和

df.groupby(['revenue','session','user_id'])['session'].count()

会给出相同的答案。