Панды совокупное количество различных

допустим, у меня есть журнал активности пользователей, и я хочу создать отчет общей продолжительности и количества уникальных пользователей в день.

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]})

продолжительность агрегирования довольно проста:

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

то, что я хотел бы сделать, это суммировать продолжительность и подсчет различий одновременно, но я не могу найти эквивалент для count_distinct:

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

это работает, но наверняка есть способ лучше, нет?

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

Я думаю, что я просто нужно предоставить функцию, которая возвращает количество различных элементов объекта серии в агрегатную функцию, но у меня нет большого доступа к различным библиотекам в моем распоряжении. Кроме того, кажется, что объект groupby уже знает эту информацию, поэтому я не буду просто дублировать усилия?

3 57
python pandas

3 ответа:

Как насчет одного из:

>>> 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
102

'nunique' теперь является опцией .агг(), так:

df.groupby('date').agg({'duration': 'sum', 'user_id': 'nunique'})
24

просто добавляя к уже данным ответам, решение с помощью pd.Series.nunique кажется намного быстрее, протестировано здесь на ~ 21M строк фрейма данных, а затем сгруппированы в ~2M 

%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
6