确定每个时间窗口单位记录了多少类别的用户

Posted 2023-02-16

【中文标题】确定每个时间窗口单位记录了多少类别的用户

【英文标题】：Determine in how many categories users are logged per time window unit

【发布时间】：2022-01-18 12:53:03

【问题描述】：

我有一个用户日志以及它记录在哪个类别中。用户可以登录多个类别。我想确定哪些用户登录了多个类别。日志很长，所以最好地将它对在大多数类别的顶部的用户身上进行排序。

user	category
1	A
1	B
2	A
3	A
3	B

目前使用 group_by 我只能显示计数，但不能显示类别的名称。大多数现有问题通常都在询问其他方式（例如，在类别中有多少用户）。我想做这样的事情：

user	categories	count
1	A, B	2
2	A	1
3	A, B	2

为了使它更复杂，我想确定相同的，但我也想知道用户是否在特定时间窗口（例如 5 分钟）内登录了多个类别：

timestamp	user	category
2021-12-12 13:00:00	1	A
2021-12-12 13:06:00	1	B
2021-12-12 13:08:00	2	A
2021-12-12 13:09:00	1	B
2021-12-12 13:14:00	3	A
2021-12-12 13:15:00	3	B
2021-12-12 13:15:00	3	A
2021-12-12 13:15:00	1	B

我想要像下面这样的东西（但对不同的显示方法开放），所以每个用户的类别有点按时间窗口分类（在本例中为 5 分钟）：

timestamp	user	categories	count
2021-12-12 13:00:00	1	A	1
2021-12-12 13:05:00	1	B	1
2021-12-12 13:05:00	2	A	1
2021-12-12 13:05:00	1	B	1
2021-12-12 13:10:00	3	A	1
2021-12-12 13:15:00	3	B, A	2
2021-12-12 13:15:00	1	B	1

我尝试了各种组合 .resample、groub_by 和 .cumsum 的东西，但没有任何运气。我希望这些例子有意义。

【参考方案1】：

按列使用GroupBy.agg user：

df1 = (df.groupby('user', as_index=False)
         .agg(categories=('category', ','.join), counts=('category', 'size')))
print (df1)
   user categories  counts
0     1        A,B       2
1     2          A       1
2     3        A,B       2

第二个我的输出不同 - 使用 Grouper 和 freq='5min':

df2 = (df.groupby(['user', pd.Grouper(freq='5min', key='timestamp')])
         .agg(categories=('category', ','.join), counts=('category', 'size'))
         .reset_index()
         .sort_values('timestamp', ignore_index=True))
print (df2)
   user           timestamp categories  counts
0     1 2021-12-12 13:00:00          A       1
1     1 2021-12-12 13:05:00        B,B       2
2     2 2021-12-12 13:05:00          A       1
3     3 2021-12-12 13:10:00          A       1
4     1 2021-12-12 13:15:00          B       1
5     3 2021-12-12 13:15:00        B,A       2

编辑：

df3 = (df.groupby(['user', pd.Grouper(freq='5min', key='timestamp')])
         .agg(categories=('category', lambda x: ','.join(set(x))), 
              counts=('category', 'nunique'))
         .reset_index()
         .sort_values('timestamp', ignore_index=True))
print (df3)
   user           timestamp categories  counts
0     1 2021-12-12 13:00:00          A       1
1     1 2021-12-12 13:05:00          B       1
2     2 2021-12-12 13:05:00          A       1
3     3 2021-12-12 13:10:00          A       1
4     1 2021-12-12 13:15:00          B       1
5     3 2021-12-12 13:15:00        B,A       2

【讨论】：

英雄！感谢您的快速帮助，很高兴了解 Grouper 功能。

虽然有一个限制，目前该逻辑加入并计算用户所在的所有类别，但它也计算非唯一类别。我需要在类别中并仅计算唯一类别。所以 B 类，B 的计数为 2，应该是 B 类，计数为 1。

@Mick - 顺序在连接值中很重要？

我从来不知道 Python 的“set()”函数。顺序并不重要。再次感谢。