如何在datatable框架中按组查找唯一值

Question

我创建了一个datatable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，每一个都是

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

除此之外，我还有五个客户ID，这些计数如下

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唯一的客户ID

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

它应该显示为主要客户已获得3个唯一客户ID，如（1,2,5），活动用户已获得2个唯一客户ID（2,4），依此类推

我没能按预期得到它，你能告诉我怎么修理吗

仅供参考：我已经尝试在R data.table frame上复制相同的数据，它正在工作

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

Answer 1

dt.unique函数尚未按组应用。因此，实现所需的一种方法是首先按lifecycle+customerID进行分组，然后在第二步中仅按lifecycle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]

Answer 2

@pasha

我还为我的实践创建了一个自定义函数，如下所示

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]