根据列的Count值的数据帧子集

Question

表（df）：

customer_id    Order_date 
    1       2015-01-16      
    1       2015-01-19      
    2       2014-12-21      
    2       2015-01-10      
    1       2015-01-10
    3       2018-01-18
    3       2017-03-04
    4       2019-11-05
    4       2010-01-01
    3       2019-02-03
    3       2020-01-01
    3       2018-01-01

所需的输出：df的子集，其中customer_ID具有3个以上的order_dates。 （跳过2、4和5个客户ID，因为他们的订单日期少于3个）

 Customer_id  Number_of_Order_dates
     1          3
     3          5

我尝试了groupby，但是它无法创建子集。请帮忙。

到目前为止，代码尝试失败了：

df[df['days'].count()>3]

还有我尝试过的另一种错误：

 df1=df.groupby('customer_id')['order_date'].count()
 df[df1.iloc[:,1]]

Answer 1

IIUC

df.groupby('customer_id')['Order_date'].nunique().loc[lambda x : x>=3].reset_index()
Out[94]: 
   customer_id  Order_date
0            1           3
1            3           5

Answer 2

您可以使用：

df.groupby('customer_id').filter(lambda x: 
     (x['Order_date'].nunique()>=3)).groupby('customer_id').count()

或者：

(df[df.groupby('customer_id')['Order_date'].transform('nunique').ge(3)]
   .groupby('customer_id').count())

---

             Order_date
customer_id            
1                     3
3                     5

Answer 3

将GroupBy.nunique与DataFrame.query一起使用：

df.groupby('customer_id')['Order_date'].nunique().reset_index().query('Order_date >= 3')

   customer_id  Order_date
0            1           3
2            3           5

Answer 4

和dict

d = {}
for c, o in zip(*map(df.get, df)):
    d.setdefault(c, set()).add(o)

pd.DataFrame(
    [(c, len(o)) for c, o in d.items() if len(o) >= 3],
    columns=[*df]
)

   customer_id  Order_date
0            1           3
1            3           5

---

带有pd.factorize和np.bincount

i, u = df.drop_duplicates().customer_id.factorize()
c = np.bincount(i)

pd.DataFrame(
    [(u_, c_) for u_, c_ in zip(u, c) if c_ > 2],
    columns=[*df]
)

   customer_id  Order_date
0            1           3
1            3           5

Answer 5

一种蛮力的方法是将groupby作为新列（pointers）添加，其名称类似于num_dates，然后像这样限制整个df：

result = my_df[my_df['num_dates'] > 3]