python - Pandas - 根据条件计算相关事件

Question

我想创建 DataFrame，可能是稀疏的，它测量用户之间的相关性。在这里，我对 user_1 之间相关性的定义和 user_2是他们执行相同操作的次数 action在同一天。

我将尝试使用示例更好地解释自己。假设我有以下数据框:

date    action  user
6   2019-05-05  b   user_3
9   2019-05-05  b   user_2
1   2019-05-06  b   user_2
5   2019-05-06  a   user_1
0   2019-05-07  b   user_3
7   2019-05-07  a   user_2
8   2019-05-07  a   user_1
2   2019-05-08  c   user_2
4   2019-05-08  c   user_1
3   2019-05-09  c   user_3

可以使用以下代码段生成:

import numpy as np
import pandas as pd

np.random.seed(12)
users = np.random.choice(['user_1', 'user_2', 'user_3'], size=10)
actions = np.random.choice(['a', 'b', 'c'], size=10)
date = np.random.choice(pd.date_range(start='2019-05-05', end='2019-05-10', freq='D'), size=10)

df = pd.DataFrame(dict(date=date, action=actions, user=users))
df.date = pd.to_datetime(df.date)
df = df.sort_values('date')

user_1之间的相关性和 user_2是 2因为他们都执行了操作 a当天 07和行动 c日 08 . user_2之间的相关性和 user_3是 1因为他们执行了操作 b当天 05 .剩下的都是 NaN .他们输出我正在寻找的数据帧如下:

        user_1  user_2  user_3
user_1  NaN     NaN     NaN
user_2  2.0     NaN     NaN
user_3  NaN     1.0     NaN

我创建此 DataFrame 的低效方法如下:

from itertools import combinations
df_result = pd.DataFrame(columns=['user_1', 'user_2', 'user_3'],
                         index=['user_1', 'user_2', 'user_3'], dtype=np.float64)    

for index, group in df.groupby(['date', 'action']):
    for x, y in combinations(list(group.user.values), 2):
        if np.isnan(df_result.loc[x,y]):
            df_result.loc[x, y] = 1
        else:
            df_result.loc[x, y] = df_result.loc[x, y] + 1

这种方法的问题是在我的用例中变慢。

Answer 1

这是一种潜在的方法，使用 merge , 自行加入 date和 action .然后使用 query , 过滤掉两边用户相等的地方，最后 pivot_table 为输出。

df_corr = (df.merge(df, on=['date', 'action'])
           .query('user_x != user_y')
           .pivot_table(index='user_x', columns='user_y', aggfunc='size'))

[出去]

user_y  user_1  user_2  user_3
user_x                        
user_1     NaN     2.0     NaN
user_2     2.0     NaN     1.0
user_3     NaN     1.0     NaN

如果只需要显示相关矩阵的下三角，您可以 NaN使用:

mask = np.triu_indices_from(df_corr)
df_corr.values[mask] = np.nan

[出去]

user_y  user_1  user_2  user_3
user_x                        
user_1     NaN     NaN     NaN
user_2     2.0     NaN     NaN
user_3     NaN     1.0     NaN