根据条件以有序方式填充NA值

Question

CustomerID	Buying_Round	Date	Purchase_amount$
1001	2	01/02/2020	20
1001	NaN	07/03/2020	42
1001	NaN	01/01/2020	15
1002	NaN	01/07/2020	10
1002	NaN	07/04/2020	40
1002	NaN	12/11/2020	25
1003	1	22/02/2020	30
1003	NaN	14/03/2020	52
1003	NaN	10/10/2020	45

客户 ID 是基于某些机密数据的每个客户的唯一编号。这适用于一家杂货店，该杂货店试图根据客户进入的轮次和购买量来了解客户的购买倾向，以改善库存。 采购轮是他们第n次来店。

我所做的是从这些混乱的信息中对客户 ID 进行排序，我也可以对日期进行排序，但希望尽可能保持问题的原始性。对日期进行排序后，很明显日期会影响购买回合，我打算保留购买回合以计算回合与购买。现在我想按递增顺序填充购买轮次，从 1- 唯一客户出现的次数开始，然后再从 1 开始为下一个客户。

预期输出：

CustomerID	Buying_Round	Date	Purchase_amount$
1001	2	01/02/2020	20
1001	3	07/03/2020	42
1001	1	01/01/2020	15
1002	2	01/07/2020	10
1002	1	07/04/2020	40
1002	3	12/11/2020	25
1003	1	22/02/2020	30
1003	2	14/03/2020	52
1003	3	10/10/2020	45

注意：1001 是一个示例，原始数据有 1001 出现 12 次，1002 出现 4 次，1003 出现 15 次，今年共有 11000 个唯一客户，没有模式或固定值来确定每个唯一 ID 的数量，我们当然有value_counts，但希望使用一种更简单的方式而不是硬编码。

Answer 1

我们可以在转换Date列to_datetime后尝试groupby rank：

df['Buying_Round'] = (
    pd.to_datetime(df['Date'], dayfirst=True)
        .groupby(df['CustomerID']).rank(method='dense')
        .astype(int)
)

或者用sort_values和groupby cumcount：

df['Buying_Round'] = (
        pd.to_datetime(df['Date'], dayfirst=True)
        .sort_values()
        .groupby(df['CustomerID']).cumcount() + 1
)

两者都产生：

   CustomerID  Buying_Round        Date  Purchase_amount$
0        1001             2  01/02/2020                20
1        1001             3  07/03/2020                42
2        1001             1  01/01/2020                15
3        1002             2  01/07/2020                10
4        1002             1  07/04/2020                40
5        1002             3  12/11/2020                25
6        1003             1  22/02/2020                30
7        1003             2  14/03/2020                52
8        1003             3  10/10/2020                45