124

ユーザー アクティビティのログがあり、合計期間と 1 日あたりの一意のユーザー数のレポートを生成したいとします。

import numpy as np
import pandas as pd
df = pd.DataFrame({'date': ['2013-04-01','2013-04-01','2013-04-01','2013-04-02', '2013-04-02'],
    'user_id': ['0001', '0001', '0002', '0002', '0002'],
    'duration': [30, 15, 20, 15, 30]})

期間の集計は非常に簡単です。

group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg
            duration
date
2013-04-01        65
2013-04-02        45

私がやりたいのは、期間とカウントの個別を同時に合計することですが、count_distinct に相当するものを見つけることができないようです:

agg = group.aggregate({ 'duration': np.sum, 'user_id': count_distinct})

これは機能しますが、確かにもっと良い方法がありますよね?

group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg['uv'] = df.groupby('date').user_id.nunique()
agg
            duration  uv
date
2013-04-01        65   2
2013-04-02        45   1

Series オブジェクトの個別のアイテムの数を集計関数に返す関数を提供するだけでよいと考えていますが、自由に使用できるさまざまなライブラリにあまり触れていません。また、groupby オブジェクトは既にこの情報を知っているようです。

4

3 に答える 3

190

次のいずれかはどうでしょうか。

>>> df
         date  duration user_id
0  2013-04-01        30    0001
1  2013-04-01        15    0001
2  2013-04-01        20    0002
3  2013-04-02        15    0002
4  2013-04-02        30    0002
>>> df.groupby("date").agg({"duration": np.sum, "user_id": pd.Series.nunique})
            duration  user_id
date                         
2013-04-01        65        2
2013-04-02        45        1
>>> df.groupby("date").agg({"duration": np.sum, "user_id": lambda x: x.nunique()})
            duration  user_id
date                         
2013-04-01        65        2
2013-04-02        45        1
于 2013-09-01T03:31:03.303 に答える
28

すでに与えられた答えに追加するだけで、文字列を使用したソリューション"nunique"ははるかに高速に見え、ここで ~21M 行のデータフレームでテストされ、 ~2M にグループ化されます。

%time _=g.agg({"id": lambda x: x.nunique()})
CPU times: user 3min 3s, sys: 2.94 s, total: 3min 6s
Wall time: 3min 20s

%time _=g.agg({"id": pd.Series.nunique})
CPU times: user 3min 2s, sys: 2.44 s, total: 3min 4s
Wall time: 3min 18s

%time _=g.agg({"id": "nunique"})
CPU times: user 14 s, sys: 4.76 s, total: 18.8 s
Wall time: 24.4 s
于 2017-09-27T15:53:57.817 に答える