python - 如何计算基于另一列的两列的唯一值？ (每个身份证)

Question

我有 600 万笔交易数据，因此我需要一些函数来快速运行。基本上，我有唯一的客户 ID 和他们预订的汽车类别，最后实际驾驶。客户可能有一次或多次租车经历。对于每个时间点的特定客户，我想计算他/她有多少独特的不同汽车类别体验，结合独特的汽车类别(预订和驾驶)

其实我的数据连这个顺序都没有，也就是说id和dates都没有排序。下面显示的布局是为了方便起见。如果你也能处理未排序的问题就好了!

谢谢!

数据如下所示:

id  date reserved drove
1   2017    A       B
1   2018    B       A
1   2019    A       C
2   2017    A       B
2   2018    C       D
3   2018    D       D

我想要这样的结果:

id  date  experience
1   2017     2 #(A+B)
1   2018     2 #still the same as 2017 because this customer just experienced A and B (A+B)
1   2019     3 #one more experience because C is new car class (A+B+C)
2   2017     2 #(A+B)
2   2018     4 #(A+B+C+D)
3   2018     1 #(D)

Answer 1

它可以用两行来完成(我很确定有人可以在一行中完成):
创建保留和驱动的所有观察值的列表，然后计算内容(使用 cumsum)

df['aux'] = list(map(list, zip(df.reserved, df.drove)))
df['aux_cum'] = [len(set(x)) for x in df.groupby('id')['aux'].apply(lambda x: x.cumsum())]

输出:

   id  date reserved drove     aux  aux_cum
0   1  2017        A     B  [A, B]        2
1   1  2018        B     A  [B, A]        2
2   1  2019        A     C  [A, C]        3
3   2  2017        A     B  [A, B]        2
4   2  2018        C     D  [C, D]        4
5   3  2018        D     D  [D, D]        1

漂亮的格式:

print(df.drop(['reserved','drove','aux'], axis=1)

   id  date  aux_cum
0   1  2017        2
1   1  2018        2
2   1  2019        3
3   2  2017        2
4   2  2018        4
5   3  2018        1