Question

我对Pandas来说还很陌生，但我正在尝试分析员工时间戳记的数据集，以确定每周唯一的每日时间戳记的总和。

我的初始数据帧（input1）看起来像这样（但更长）：

            ID          Datetime        Week/Year
0          15.0    2019-02-04 08:28:44   6/2019
1          15.0    2019-02-04 12:48:05   6/2019
2          15.0    2019-02-04 12:54:29   6/2019
3          15.0    2019-02-05 08:05:51   6/2019
4          15.0    2019-02-05 12:47:26   6/2019
5          15.0    2019-02-05 14:45:34   6/2019
6          15.0    2019-02-06 08:10:59   6/2019
7          15.0    2019-02-06 12:49:24   6/2019
8          15.0    2019-02-06 13:02:48   6/2019
9          15.0    2019-02-07 08:02:22   6/2019
10         15.0    2019-02-08 08:02:10   6/2019
11         15.0    2019-02-08 09:55:22   6/2019

我创建了另一个数据框：

df = pd.DataFrame({'Timestamp':  input1['Datetime'], 'ID': input1['ID'], 'Week/Year': input1['Week/Year'],'MDY':input1['Server Date/Time'].apply(lambda x: "%d/%d/%d" % (x.month, x.day, x.year))})

然后我按周，员工进行分组，并获得每日唯一计数（MDY）：

df_grouped = df.groupby(['Week/Year', 'ID']).MDY.nunique()

Week/Year   ID    MDY 
6/2019      15.0   5

我想要的最终结果是通过加入Week和ID将MDY总和合并回初始数据帧-我尝试了几种不同的方法：

input1.merge(df_grouped.to_frame(), left_on=['ID','Week/Year'], right_index=True)

得到类似的东西

           ID          Datetime        Week/Year    MDY
0          15.0    2019-02-04 08:28:44   6/2019    5
1          15.0    2019-02-04 12:48:05   6/2019    5
2          15.0    2019-02-04 12:54:29   6/2019    5
3          15.0    2019-02-05 08:05:51   6/2019    5
4          15.0    2019-02-05 12:47:26   6/2019    5
5          15.0    2019-02-05 14:45:34   6/2019    5

加入后，我最终得到了NaN。有人能够引导我朝正确的方向前进吗？

谢谢。

Answer 1

此Form

groupby

应返回索引为df_grouped = df.groupby(['Week/Year', 'WD: Employee ID']).MDY.nunique()的系列

Week/Year   WD: Employee ID

但是，您将其索引显示为Week/Year WD: Employee ID 6/2019 15.0 5 Name: MDY , dtype: int64。您可以检查列名以确保其匹配。

接下来，在此

Week/Year   ID

假设您在示例中显示的input1.merge(df_grouped.to_frame(), left_on=['ID','Week/Year'], right_index=True)的索引为df_grouped，则您对Week/Year ID的{{1}}顺序错误。应该是

left_on

然后通过使用多个列合并Pandas Group

1 个答案: