计算python中一个值相对于另一个值的重新出现次数

Question

这个问题是我问here的这个问题的延续：

现在我有这样的数据：

Sno   User  Cookie
 1     1       A
 2     1       A
 3     1       A
 4     1       B
 5     1       C
 6     1       D
 7     1       A
 8     1       B
 9     1       D
 10    1       E
 11    1       D
 12    1       A
 13    2       F
 14    2       G
 15    2       F
 16    2       G
 17    2       H
 18    2       H

假设我们有 5 个用于用户 1“A、B、C、D、E”的 cookie。现在我想计算在遇到新 cookie 后是否再次出现任何 cookie。例如，在上面的示例中，cookie A 再次出现在第 7 位，然后也在第 12 位。注意我们不会同时计算 A 在第 2 位，但在第 7 位和第 12 位我们在再次看到 A 之前已经看到了许多新的 cookie，因此我们计算了那个实例。如果我运行previous post 中提到的代码，这就是我将得到的结果：

对于用户 1

Sno Cookie  Count
 1    A     2
 2    B     1
 3    C     0
 4    D     2
 5    E     0

对于用户 2

Sno Cookie  Count
 6    F     1
 7    G     1
 8    H     0

现在是棘手的部分，现在我们通过计数知道，对于用户 1，三个 cookie“A、B 和 D”再次出现。类似地，对于用户 2，“F 和 G”再次出现。我想像这样聚合这些结果：

Sno User Reoccurred_Instances
 1   1    3
 2   2    2

有没有更简单的方法而不使用循环来获得这个结果。

Answer 1

按照我在回答您上一个问题时采取的相同第一步，删除连续的 Cookie 值并找到重复项：

no_doubles = df[df.Cookie != df.Cookie.shift()]

no_doubles['dups'] = no_doubles.Cookie.duplicated()

然后使用 groupby 对确实重复的数据子集（no_doubles[no_doubles['dups']]）按User 分组，并使用nunique 查找每个用户的唯一Cookies 数量：

no_doubles[no_doubles['dups']].groupby('User')['Cookie'].nunique().reset_index()

这会返回：

   User  Cookie
0     1       3
1     2       2

您可以根据需要重命名列

[编辑]：

要处理不同的情况，您只需添加此逻辑即可。例如，考虑以下在 User 编号 3 中没有重复的数据框：

Sno   User  Cookie
 1     1       A
 2     1       A
 3     1       A
 4     1       B
 5     1       C
 6     1       D
 7     1       A
 8     1       B
 9     1       D
 10    1       E
 11    1       D
 12    1       A
 13    2       F
 14    2       G
 15    2       F
 16    2       G
 17    2       H
 18    2       H
 18    3       H
 18    3       I
 18    3       J

你可以这样做：

no_doubles = df[(df.Cookie != df.Cookie.shift()) | (df.User != df.User.shift())]

no_doubles['dups'] = no_doubles.duplicated(['Cookie', 'User'])

no_doubles.groupby('User').apply(lambda x: x[x.dups]['Cookie'].nunique()).to_frame('Reoccurred_Instances')

获取：

      Reoccurred_Instances
User                      
1                        3
2                        2
3                        0

Answer 2

对此的另一种方法，我认为应该非常灵活：

dups  = df.loc[:, ['User', 'Cookie']].duplicated()
diffs = df.Cookie != df.Cookie.shift()
flags = np.logical_and(dups, diffs)

df['flag'] = flags

result_1 = df.groupby(['User', 'Cookie'])['flag'].agg([('Count', sum)])
result_2 = result_1.groupby('User')['Count'].agg([('Reoccurred_Instances', lambda x: (x > 0).sum())])

它将根据User 和Cookie 获取重复项，然后将Cookie 值与它们的邻居进行比较。最后，附加一列True/False 对应于上述两个标志。使用该列创建您提到的两个汇总表（result_1 和 result_2，如下所示）。

             Count
User Cookie       
1    A         2.0
     B         1.0
     C         0.0
     D         2.0
     E         0.0
2    F         1.0
     G         1.0
     H         0.0

      Reoccurred_Instances
User                      
1                      3.0
2                      2.0

编辑：正如下面评论中提到的，我们假设第三个用户的 Cookie 值为 H、H、H、J、J、J。像这样：

    Sno  User Cookie
0     1     1      A
1     2     1      A
2     3     1      A
3     4     1      B
4     5     1      C
5     6     1      D
6     7     1      A
7     8     1      B
8     9     1      D
9    10     1      E
10   11     1      D
11   12     1      A
12   13     2      F
13   14     2      G
14   15     2      F
15   16     2      G
16   17     2      H
17   18     2      H
18   19     3      H
19   20     3      H
20   21     3      H
21   22     3      J
22   23     3      J
23   24     3      J

通过上面的代码运行，我们得到以下结果数据帧：

             Count
User Cookie       
1    A         2.0
     B         1.0
     C         0.0
     D         2.0
     E         0.0
2    F         1.0
     G         1.0
     H         0.0
3    H         0.0
     J         0.0

还有：

      Reoccurred_Instances
User                      
1                      3.0
2                      2.0
3                      0.0

代码的设置方式仍然会显示第三个用户（没有任何重复的Cookie 值），Reoccurred_Instances 值为 0。