在 pandas 中使用 groupby 或聚合的最佳方式

Question

我有一个名为 clients 的 table，我想根据用户 ID 显示某人注册或购买商品的次数。

目标是有一个 table 显示 registration_complete 的总和并根据 userid

购买

这是我写的代码。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table我用来根据userid

算出注册和购买的

 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

我想要一些能给我总和的东西

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

您可以使用以下内容：

import pandas as pd

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

这将允许您保留第一个时间戳，event_day并对用户 ID 进行安装和分组。

告诉我！我希望它有所帮助。 BR

Answer 2

您希望其他数据列发生什么情况？通过获得其他列的最大值，这样的事情似乎接近您想要的。

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

Answer 3

IIUC 你可以保留其他列的 first 或 last 值将字典传递给 agg

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，有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

计时

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

38.5 ms ± 393 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

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'])

11.3 ms ± 100 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

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

6.85 ms ± 62.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

在 pandas 中使用 groupby 或聚合的最佳方式

best way to use groupby or aggregate in pandas

concat

pandas

pandasql

jupyter-notebook

pandas-groupby

编辑：