如何在数据化框架中按组查找唯一值

Posted 2021-03-27

我创建了一个数据化框架，如下所示。

DT_EX = dt.Frame({'cid':[1,2,1,2,3,2,4,2,4,5],
                  'cust_life_cycle':['Lead','Active','Lead','Active','Inactive','Lead','Active','Lead','Inactive','Lead']})

在这里，我有三个独特的客户生命周期，每个客户的计数都可以发现，作为

DT_EX[:, count(), by(f.cust_life_cycle)]

随着，我有五个客户的ID，这些计数为

DT_EX[:, count(), by(f.cid)]

现在，我想看看每个客户生命周期中存在多少个独特的客户ID。

DT_EX[:, {'unique_cids':dt.unique(f.cid)}, by(f.cust_life_cycle)]

应该显示为Lead客户有3个唯一的客户ID，如(1,2,5)，Active用户有2个唯一的客户ID(2,4)等等。

我无法得到预期的效果，请你告诉我如何解决？

顺便说一下：我已经尝试在R data.table框架上重现同样的情况，它的工作。

DT_EX[, uniqueN(cid), by=cust_life_cycle]

答案

该 dt.unique 函数不适用分组（还没有）。所以，实现你所需要的一种方法是先按生命周期+customerID分组，然后在第二步中只按生命周期重新分组。

>>> DT_EX[:, count(), by(f.cust_life_cycle, f.cid)]
...      [:, {"unique_cids": count()}, by(f.cust_life_cycle)]

   | cust_life_cycle  unique_cids
-- + ---------------  -----------
 0 | Active                     2
 1 | Inactive                   2
 2 | Lead                       3

[3 rows x 2 columns]

另一答案

@pasha

我还为我的实践创建了一个自定义功能，如下图。

def pydt_unique_per_group(DT,by_col,uni_col):
    DT_dict = DT[:,(f[by_col],f[uni_col])].to_dict()
    pairs = list(zip(DT_dict[by_col], DT_dict[uni_col]))
    unique_per_col_dict = {k : list(map(itemgetter(1), v)) for k,v in groupby(sorted(pairs, key=itemgetter(0)), key=itemgetter(0))}
    unique_per_col_count = {drink:len(set(ingr)) for drink,ingr in unique_per_col_dict.items()}
    unique_per_col_count_sort = {k:v for k,v in sorted(unique_per_col_count.items(),key=lambda x:x[1],reverse=True)}
    by_group_summary_dict = {by_col:[],'count':[]}
    for k, v in unique_per_col_count_sort.items():
        by_group_summary_dict[by_col].append(k)
        by_group_summary_dict['count'].append(v)
    return dt.Frame(by_group_summary_dict)

输出。

In [8]: pydt_unique_per_group(DT_EX,'cust_life_cycle','cid')                                                                                                                                                
Out[8]: 
   | cust_life_cycle  count
-- + ---------------  -----
 0 | Lead                 3
 1 | Active               2
 2 | Inactive             2

[3 rows x 2 columns]