Question

我有一个名为客户的表，我想显示某人基于用户ID注册或购买商品的次数。

目标是要有一个表，显示基于用户ID的registration_complete和购买的总和

这是我编写的代码。不幸的是，并非所有列都显示

  new_file= new_data.groupby(['userid']) 
  ['Registration_Complete','Purchase'].agg('sum')
  new_file.head(5)

这是我用来确定注册信息并根据用户ID购买的表格

 Event_day  timestamp        install  userid  registration   purchase
 1/1/1900   1/1/1900 16:10    yes     555221     1               0
 1/1/1900   1/1/1900 16:12    yes     555221     1               1
 2/19/2010  1/19/2010 16:40   no      533211     0               1
 2/19/2010  1/19/2016 16:53   yes     533211     0               1
 2/20/2017  2/20/2017 15:46   yes     53200      1               0
 3/15/2017  3/15/2018 15:48   yes     53200      1               0
 3/15/2017  3/15/2018 20:14   yes     53200      1               0

我想要可以给我总和的东西

Event_day  timestamp        install  userid  registration   purchase
1/1/1900   1/1/1900 16:10    yes     555221     2               0
2/19/2010  1/19/2016 16:53   yes     533211     0               2
3/15/2017  3/15/2018 20:14   yes     53200      5               0

Answer 1

IIUC，您可以保留将其他格传递到first的其他列的last或agg值

agg = {'Event_day': 'last', 'timestamp': 'last', 'install': 'last', 'registration': 'sum', 'purchase': 'sum'}
df.groupby('userid').agg(agg).reset_index()

    userid  Event_day   timestamp       install registration    purchase
0   53200   3/15/2017   3/15/2018 20:14 yes     3               0
1   533211  2/19/2010   1/19/2016 16:53 yes     0               2
2   555221  1/1/1900    1/1/1900 16:12  yes     2               1

编辑：

请记住，几个答案可能是正确的，我发现在它们之间进行性能测试很有趣

时间

dfg1 = df.groupby("userid")["install", "timestamp", "Event_day"].max()
dfg2 = df.groupby("userid").sum()
pd.concat([dfg1, dfg2], axis=1)

每个循环38.5 ms±393 µs（平均±标准偏差，共运行7次，每个循环10个循环）

first_other_columns = df[['Event_day', 'timestamp', 'install',  'userid']].drop_duplicates(['userid'], keep='first')
grouped = df.groupby(['userid']).sum().reset_index()
pd.merge(grouped, first_other_columns, on=['userid'])

每个循环11.3 ms±100 µs（平均±标准偏差，共运行7次，每个循环100个循环）

agg = {'Event_day': 'last', 'timestamp': 'last', 'install': 'last', 'registration': 'sum', 'purchase': 'sum'}
df.groupby('userid').agg(agg).reset_index()

每个循环6.85 ms±62.5 µs（平均±标准偏差，共运行7次，每个循环100个）

Answer 2

您可以使用以下内容：

<dependency>
    <groupId>com.amazonaws</groupId>
    <artifactId>aws-java-sdk-dynamodb</artifactId>
    <version> LATEST </version>
</dependency>

这将允许您保留第一个时间戳记event_day并安装和分组用户ID。

让我知道！希望对您有所帮助。 BR

Answer 3

您希望其他数据列发生什么？这样的事情似乎通过获取其他列的最大值来接近您想要的东西。

dfg1 = df.groupby("userid")["Event_day", "timestamp", "install"].max()
dfg2 = df.groupby("userid").sum()
pd.concat([dfg1, dfg2], axis=1)

输出

        Event_day timestamp install  registration  purchase
userid                                                     
53200   3/15/2018     20:14     yes             3         0
533211  1/19/2016     16:53     yes             0         2
555221   1/1/1900     16:12     yes             2         1

在熊猫中使用分组方式或聚合的最佳方式

3 个答案:

编辑：