Pandas Aggregat Anzahl ausgeprägt

Question

Angenommen, ich habe ein Protokoll der Benutzeraktivität und ich möchte einen Bericht über die Gesamtdauer und die Anzahl der einzelnen Benutzer pro Tag generieren.

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]}) 

Dauer Aggregieren ist ziemlich einfach:

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

Was ich möchte Summe zu tun ist, die Dauer und zählen distincts zur gleichen Zeit, aber ich kann nicht scheinen, ein Äquivalent für finden count_distinct:

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

Das funktioniert, aber es gibt einen besseren Weg, nein?

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 

Ich denke, ich brauche zu schaffen, nur eine Funktion, die die Anzahl der verschiedenen Elemente einer Serie Objekt auf die Aggregatfunktion zurückgibt, aber ich weiß nicht vielen Kontakt mit den verschiedenen Bibliotheken an meinem Verfügung. Es scheint auch, dass das groupby Objekt diese Information bereits kennt, also würde ich nicht einfach Aufwand duplizieren?

Answer 1

Wie wäre es entweder von:

>>> 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 

Answer 2

'Nunique' ist jetzt eine Option für .agg(), so:

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

Answer 3

nur auf die Antworten Zugabe bereits gegeben, @Blodwyn Pig Lösung ist am effizientesten.

Diese Lösung scheint viel schneller, getestet hier auf ~ 21M Reihen Datenrahmen gruppiert dann auf ~ 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