多个用户的最长连续条纹

Question

我想找到解决办法，

提供了一个表格，其中包含 user_id 和他们访问平台的日期， 找出连续访问时间最长的前100名用户 截至昨天的平台。

我发现这些links 解释了如何为一位用户执行此操作。但是，我不确定如何为多个用户执行此操作。

一个天真的可能是获取所有唯一用户并使用 for 循环和以上答案，获取具有最大连续访问次数的用户。但是，如果可能的话，我对矢量化方式很感兴趣。

如果需要，这些是我使用的代码，

date_series = pd.Series(np.random.randint(0,10, 400), index=pd.to_datetime(np.random.randint(0,20, 400)*1e9*24*3600), name="uid")
df = date_series.reset_index().rename({"index":"date_val"}, axis=1).drop_duplicates().reset_index(drop=True)

对于给定的用户 ID（比如 uid =1），我可以使用以下方法来查找最大连击数，

sub_df = df[df.uid==1].sort_values("date_val")
(sub_df.date_val+pd.Timedelta(days=1) != sub_df.date_val.shift(-1)).cumsum().value_counts().max()

但我不明白如何使用矢量化（不是 for 循环）方法为原始数据帧 (df) 中的所有用户做类似的事情。

Answer 1

我已经走了很长的路，也许还有更短的路。让我们试试

df=df.sort_values(by=['uid','date_val'])# Sort df


#Check sequence
df=(df.assign(diff=df['date_val'].diff().dt.days,
              diff1=df['date_val'].diff(-1).dt.days))

#create a grouper
s=(((df['diff'].isna())&(df['diff1']==-1))|((df['diff'].gt(1))&(df['diff1']==-1))).cumsum()

#Get streak length
df['streak'] =df.groupby([s,'uid'])['date_val'].transform('count')

#Isolate max streak
new=df[df['streak'] ==df.groupby('uid')['streak'].transform('max')].drop(columns=['diff','diff1']).sort_values(by=['uid','date_val'])

Answer 2

在@wwnde 的回答的帮助下，我找到了以下答案。发布它以防有人发现它有用。

df.sort_values(["uid", "date_val"], inplace=True)  # sort the df

df["diff1"] = df.date_val.diff().dt.days  # new column to store the date diff

df["user_segments"] = ((df.diff1 != 1)|(df.uid != df.uid.shift(-1))).cumsum()  # to create groups of consecutive days

df.groupby(["uid", "user_segments"])["date_val"].count().reset_index()\ # now date_val column have consecutive day counts
.groupby("uid")["date_val"].max()\  # then group by and get the max for each user
.sort_values(ascending=False).iloc[:100]  # finally sort it and get the first 100 users