計算特定日期有多少不同的用戶

我用熊貓創建了一個資料框：

看起來像這樣：

對于每一天，它應該計算從一天的開始（例如：2021-01-01 00:00）到特定行有多少不同的 HostName

示例： 例如讓我們采取 2021-01-01

有樹行：

• 第一個結果是 1 - 因為它是當天的第一行。(B)
• 第二個結果是 2 - 因為從一天開始到這一行有兩個不同的主機名 (B,A)
• 第三個結果將是 3 - 因為從一天的開始直到這一行有樹不同的主機名（B，A，C）

最終結果應如下所示：

它嘗試做什么但失敗了：

df.groupby(['HostName','Date')['HostName'].cumcount()   1

或者

def f(x):
    one = x['HostName'].to_numpy()
    twe = x['Date'].to_numpy()
    both = x[['HostName','Date']].shift(1).to_numpy()  
    x['Host_1D_CumCount_Conn'] = [np.sum((one == a) & (twe == b))  for a, b in both]
    return x

df.groupby('HostName').apply(f)

uj5u.com熱心網友回復：

將 lambda 函式GroupBy.transform與 lambda 函式與Series.duplicated累積和一起使用：

df['Result'] = (df.groupby(df['Date'].dt.date)['HostName']
                  .transform(lambda x: (~x.duplicated()).cumsum()))
print (df)
   HostName                Date  Result
0         B 2021-01-01 12:30:00       1
1         A 2021-01-01 12:45:00       2
2         C 2021-01-01 12:46:00       3
3         A 2021-02-01 12:42:00       1
4         B 2021-02-01 12:43:00       2
5         A 2021-02-01 12:45:00       2
6         B 2021-02-25 12:46:00       1
7         C 2021-03-01 12:41:00       1
8         A 2021-03-01 12:42:00       2
9         A 2021-03-01 12:43:00       2
10        C 2021-03-01 12:45:00       2

更快的替代解決方案是d為每個日期和重復項創建輔助列d，HostName并使用GroupBy.cumsum：

df['Result'] = (df.assign(d = df['Date'].dt.date,
                          new = lambda x: ~x.duplicated(['d','HostName']))
                  .groupby('d')['new']
                  .cumsum())
print (df)
   HostName                Date  Result
0         B 2021-01-01 12:30:00       1
1         A 2021-01-01 12:45:00       2
2         C 2021-01-01 12:46:00       3
3         A 2021-02-01 12:42:00       1
4         B 2021-02-01 12:43:00       2
5         A 2021-02-01 12:45:00       2
6         B 2021-02-25 12:46:00       1
7         C 2021-03-01 12:41:00       1
8         A 2021-03-01 12:42:00       2
9         A 2021-03-01 12:43:00       2
10        C 2021-03-01 12:45:00       2

uj5u.com熱心網友回復：

您可以groupby日期并使用expanding nunique。問題是，目前，擴展只適用于數值（我希望我們可以簡單地做expanding().nunique()）。

因此，我們必須factorize在申請前欺騙一下數字列pd.Series.nunique。

df['Result'] = (df.groupby(pd.to_datetime(df['Date']).dt.date, group_keys=False)
                  ['HostName']
                  .apply(lambda s: pd.Series(s.factorize()[0]).expanding().apply(pd.Series.nunique))
                  .astype(int)
                  .values
                )

輸出：

   HostName              Date  Result
0         B  2021-01-01 12:30       1
1         A  2021-01-01 12:45       2
2         C  2021-01-01 12:46       3
3         A  2021-02-01 12:42       1
4         B  2021-02-01 12:43       2
5         A  2021-02-01 12:45       2
6         B  2021-02-25 12:46       1
7         C  2021-03-01 12:41       1
8         A  2021-03-01 12:42       2
9         A  2021-03-01 12:43       2
10        C  2021-03-01 12:45       2

標籤：

上一篇：如何在合并1000多個檔案時將csv檔案的名稱添加為列中的值？

下一篇：回傳熊貓資料框每一行中組的大小