Pandas-Dataframe：如何计算变量在 1 分钟内重复的次数

Posted 2023-03-11

【中文标题】Pandas-Dataframe：如何计算变量在 1 分钟内重复的次数

【英文标题】：Pandas-Dataframe: how to count the number of times a variable is repeated in 1 minute

【发布时间】：2019-08-01 18:49:48

【问题描述】：

我有以下数据框 sn-p：

Full dataframe:                   ip      time      cik  crawler
ts                                                              
2019-03-11 00:00:01   71.155.177.ide  00:00:01  1262327      0.0
2019-03-11 00:00:02   71.155.177.ide  00:00:02  1262329      0.0
2019-03-11 00:00:05   69.243.218.cah  00:00:05   751200      0.0
2019-03-11 00:00:08  172.173.121.efb  00:00:08   881890      0.0
2019-03-11 00:00:09   216.254.60.idd  00:00:09  1219169      0.0
2019-03-11 00:00:09    64.18.197.gjc  00:00:09  1261705      0.0
2019-03-11 00:00:09    64.18.197.gjc  00:00:09  1261734      0.0
2019-03-11 00:00:10    64.18.197.gjc  00:00:10  1263094      0.0
2019-03-11 00:00:10    64.18.197.gjc  00:00:10  1264242      0.0
2019-03-11 00:00:10    64.18.197.gjc  00:00:10  1264242      0.0

我想按 IP 分组，然后使用一些函数来计数：

1) 1 分钟内每个 IP 有多少个唯一 CIK

2) 1 分钟内每个 IP 有多少个 CIK（总共）。

我已经尝试过 resample 功能，但我不知道如何让它以我想要的方式计数。 我的代码如下：

dataframe = pd.read_csv(path + "log20060702.csv", usecols=['cik', 'ip', 'time', 'crawler'])
dataframe = dataframe[dataframe['crawler'] == 0]
dataframe['cik'] = pd.to_numeric(dataframe['cik'], downcast='integer')
dataframe['ts'] = pd.to_datetime((dataframe['time']))

dataframe = dataframe.set_index(['ts'])
print("Full dataframe: ", dataframe.head(10))

df_dict = dataframe.groupby("ip")
counter = 0
for key, df_values in df_dict:
    counter += 1
    print("df values: ", df_values)
    # df_values = df_values.resample("5T").count()
    if counter == 5:
        break

或者，如果有人可以告诉我如何按 IP 分组，每 1 分钟一次，其余的我可以自己完成。我不一定要寻找完整的解决方案，非常感谢一些指导。

【参考方案1】：

使用groupby 和DataFrameGroupBy.resample 并聚合SeriesGroupBy.nunique 和DataFrameGroupBy.size 计数：

df = dataframe.groupby("ip").resample('1Min')['cik'].agg(['nunique','size'])
print (df)
                            nunique  size
ip              ts                       
172.173.121.efb 2019-03-11        1     1
216.254.60.idd  2019-03-11        1     1
64.18.197.gjc   2019-03-11        4     5
69.243.218.cah  2019-03-11        1     1
71.155.177.ide  2019-03-11        2     2

或者使用Grouper:

df = dataframe.groupby(["ip", pd.Grouper(freq='1Min')])['cik'].agg(['nunique','size'])
print (df)
                            nunique  size
ip              ts                       
172.173.121.efb 2019-03-11        1     1
216.254.60.idd  2019-03-11        1     1
64.18.197.gjc   2019-03-11        4     5
69.243.218.cah  2019-03-11        1     1
71.155.177.ide  2019-03-11        2     2

【讨论】：

在这种情况下，.resample('1Min') 是否每分钟返回 size？

@Erfan - 是的，没错。

非常简洁，在这种情况下您不必明确提及datetime 列。如果有多个日期时间列，那将如何工作？ @jezrael

@Erfan - 需要一个，最好的melt