日期不正确

Question

使用以下数据帧“df”：

Customer_ID | Transaction_ID  | Item_ID
ABC           2017-04-12-333    X8973
ABC           2017-04-12-333    X2468
ABC           2017-05-22-658    X2906
ABC           2017-05-22-757    X8790
ABC           2017-07-13-864    X8790     
BCD           2017-08-11-879    X2346
BCD           2017-08-11-879    X2468    

我想把客户的第一笔交易，第二笔交易，等等，按日期计算，列在指定的列中。（如果同一天有两笔交易，我把它们都算在同一笔账上，因为我没有时间，所以我不知道哪笔先到——基本上把它们当作一笔交易）。你知道吗

#get the date out of the Transaction_ID string
df['date'] = pd.to_datetime(df.Transaction_ID.str[:10])

#calculate the transaction number
df['trans_nr'] = df.groupby(['Customer_ID',"Transaction_ID", df['date'].dt.year]).cumcount()+1

不幸的是，这是我上面代码的输出：

Customer_ID | Transaction_ID  | Item_ID | date        | trans_nr
ABC           2017-04-12-333    X8973     2017-04-12     1
ABC           2017-04-12-333    X2468     2017-04-12     2
ABC           2017-05-22-658    X2906     2017-05-22     1
ABC           2017-05-22-757    X8790     2017-05-22     1
ABC           2017-07-13-864    X8790     2017-07-13     1
BCD           2017-08-11-879    X2346     2017-08-11     1
BCD           2017-08-11-879    X2468     2017-08-11     2

这是不正确的，这是我要找的正确输出：

Customer_ID | Transaction_ID  | Item_ID | date        | trans_nr
ABC           2017-04-12-333    X8973     2017-04-12     1
ABC           2017-04-12-333    X2468     2017-04-12     1
ABC           2017-05-22-658    X2906     2017-05-22     2
ABC           2017-05-22-757    X8790     2017-05-22     2
ABC           2017-07-13-864    X8790     2017-07-13     3
BCD           2017-08-11-879    X2346     2017-08-11     1
BCD           2017-08-11-879    X2468     2017-08-11     1

也许逻辑应该只基于客户ID和日期（没有交易ID）？你知道吗

我试过了

df['trans_nr'] = df.groupby(['Customer_ID','date').cumcount()+1

但它也算错了。你知道吗

Answer 1

一种方法是在进行累积计数之前删除重复值：

trans_nr = (df
        .drop_duplicates(subset=['Customer_ID', 'date'])
        .set_index(['Customer_ID', 'date'])
        .groupby(level='Customer_ID')
        .cumcount() + 1
    )
df.set_index(['Customer_ID', 'date'], inplace=True)
df['trans_nr'] = trans_nr
df.reset_index(inplace=True)

要获取事务号，首先删除具有重复Customer_ID和date值的行。然后使用Customer_ID和date（稍后合并）设置它们的索引，并执行groupby和cumcount。这将生成一个系列，其值是每个Customer_ID和date的累积计数。你知道吗

还可以为原始数据帧设置索引（同样允许合并）。然后您只需将trans_nr序列分配给df中的一列。索引负责合并逻辑。你知道吗

Answer 2

让我们试试：

df['trans_nr'] = df.groupby(['Customer_ID', df['date'].dt.year])['date']\
                   .transform(lambda x: (x.diff() != pd.Timedelta('0 days')).cumsum())

输出：

 Customer_ID  Transaction_ID Item_ID       date  trans_nr
0         ABC  2017-04-12-333   X8973 2017-04-12         1
1         ABC  2017-04-12-333   X2468 2017-04-12         1
2         ABC  2017-05-22-658   X2906 2017-05-22         2
3         ABC  2017-05-22-757   X8790 2017-05-22         2
4         ABC  2017-07-13-864   X8790 2017-07-13         3
5         BCD  2017-08-11-879   X2346 2017-08-11         1
6         BCD  2017-08-11-879   X2468 2017-08-11         1

Answer 3

将dual groupby与ngroup()一起使用，即

df['trans_nr'] = df.groupby('Customer_ID').apply(lambda x : \
                x.groupby([x['date'].dt.date]).ngroup()+1).values

 Customer_ID  Transaction_ID Item_ID       date  trans_nr
0         ABC  2017-04-12-333   X8973 2017-04-12         1
1         ABC  2017-04-12-333   X2468 2017-04-12         1
2         ABC  2017-05-22-658   X2906 2017-05-22         2
3         ABC  2017-05-22-757   X8790 2017-05-22         2
4         ABC  2017-07-13-864   X8790 2017-07-13         3
5         BCD  2017-08-11-879   X2346 2017-08-11         1
6         BCD  2017-08-11-879   X2468 2017-08-11         1