大熊猫创建新栏目

Question

我有以下挑战。我有以下数据格式，名为defined_conversions：

user_id    pageviews    conversion    timestamp
1          3            True          08:01:12
1          4            False         07:02:14
1          7            False         08:02:14
2          2            True          10:12:15
2          2            False         05:12:18

我想要实现的是添加一个名为sum_pageviews的额外列，该列接受每个用户的页面浏览量的累积和。

我构建这个功能就是为了实现这一点：

def pageviews_per_user(defined_conversions):
    defined_conversions['sum_pageviews'] = defined_conversions.groupby(['user_id'])['pageviews'].cumsum
    return defined_conversions

我担心的是数据文件会是这样的：

   user_id    pageviews    conversion    timestamp    sum_pageviews
    1          3            True          08:01:12    14
    1          4            False         07:02:14    14
    1          7            False         08:02:14    14
    2          2            True          10:12:15    4
    2          2            False         05:12:18    4

我想让它看起来像：

  user_id    pageviews    conversion    timestamp    sum_pageviews
    1          3            True          08:01:12    3
    1          4            False         07:02:14    7
    1          7            False         08:02:14    14
    2          2            True          10:12:15    2
    2          2            False         05:12:18    4

因此，在本质上，页面浏览量应该是在时间戳之后累积起来的。在运行累积和公式之前，我应该先对时间戳上的数据进行排序吗？还是我该做点别的？

ps:我是蟒蛇/熊猫的初学者。

提前感谢！

Answer 1

你离我很近--你只需要给cumsum()打电话

>>> df.sort_values([by, 'timestamp']).groupby('user_id')['pageviews'].cumsum()
0     3
1     7
2    14
3     2
4     4
Name: pageviews, dtype: int64

作为一项职能：

def pageviews_per_user(df, by='user_id', aggcol='pageviews', **kwargs):
    df.sort_values([by, 'timestamp'], inplace=True)
    df['sum_pageviews'] = df.groupby(by=by, sort=False, **kwargs)[aggcol].cumsum()
    return df

请注意，这不仅会返回DataFrame，而且会就地修改它。

下面是如何使用该函数：

>>> df
   user_id  pageviews  conversion timestamp
0        1          3        True  08:01:12
1        1          4       False  07:02:14
2        1          7       False  08:02:14
3        2          2        True  10:12:15
4        2          2       False  05:12:18
>>> def pageviews_per_user(df, by='user_id', aggcol='pageviews', **kwargs):
...     df.sort_values([by, 'timestamp'], inplace=True)
...     df['sum_pageviews'] = df.groupby(by=by, **kwargs)[aggcol].cumsum()
...     return df
... 
>>> pageviews_per_user(df)
   user_id  pageviews  conversion timestamp  sum_pageviews
1        1          4       False  07:02:14              4
0        1          3        True  08:01:12              7
2        1          7       False  08:02:14             14
4        2          2       False  05:12:18              2
3        2          2        True  10:12:15              4
>>> df
   user_id  pageviews  conversion timestamp  sum_pageviews
1        1          4       False  07:02:14              4
0        1          3        True  08:01:12              7
2        1          7       False  08:02:14             14
4        2          2       False  05:12:18              2
3        2          2        True  10:12:15              4

虽然timestamp不是一列日期时间(就Pandas而言，只是字符串)，但它仍然能够按字典顺序排序。

如果您想对其他列名进行分组，那么使用by、aggcol和**kwargs可以使您的函数更具通用性。如果没有，您也可以像在您的问题中所做的那样，将这些硬编码到函数体中。**kwargs允许您将任何附加关键字参数传递给groupby()。