python - 使用 groupby 和 cumcount (pandas) 计算每列的连续字符串

Question

我有一个如下所示的 df:

df = pd.DataFrame({"child": ["A", "B", "C", "D", "E", "D", "A"],
                            "birth": ["2000-07-29", "2000-08-03", "2000-09-10", "2000-09-10", "2000-11-02", "2000-09-10", "2000-07-29"],
                            "parent": ["Z", "Z", "V", "V", "O", "V", "Z"],
                            "logic": ["abc", "abc", "efg", "efg", "opk", "zlm", "zlm"]})

我想添加一个 count 列，显示在给定的 birthdate 之前每个 parent 有多少个 unique child 。

期望的结果df_new:

child     birth        parent    logic      count
A         2000-07-29   Z         abc        1
B         2000-08-03   Z         abc        2
C         2000-09-10   V         efg        2
D         2000-09-10   V         efg        2
E         2000-11-02   O         opk        1

我尝试了以下代码:

df_new = pd.DataFrame(df)
df_new = df_new.drop_duplicates(subset=["parent", "child"]).sort_values(by=["parent", "birth"])
df_new["count"] = df_new.groupby("parent").cumcount()+1

首先，我删除了基于parent 和child 的重复项，这样同一个 child 就不会被加起来。然后，我按 parent 和 birth 对 df_new 进行排序，这样就可以连续计算 parent 的出现次数cumcount 以可视化每个 parent 的 child 数量。

遗憾的是，它不考虑在同一日期多次出现。

取得的成果df_new:

child     birth        parent    logic      count
A         2000-07-29   Z         abc        1
B         2000-08-03   Z         abc        2
C         2000-09-10   V         efg        1      # this should be 2 as well! 
D         2000-09-10   V         efg        2
E         2000-11-02   O         opk        1

有没有人知道如何解决这个问题？随意建议其他方法!感谢您的帮助!

Answer 1

这里有一种解决方法:

df = (
    df_new.set_index(['parent', 'birth'])
    .join(
        df_new.groupby('parent')
        .apply(lambda x: x.groupby('birth')['child'].agg('count').cumsum()),
        rsuffix='count')
    .reset_index()
)

输出:

  parent      birth child logic  childcount
0      O 2000-11-02     E   opk           1
1      V 2000-09-10     C   efg           2
2      V 2000-09-10     D   efg           2
3      Z 2000-07-29     A   abc           1
4      Z 2000-08-03     B   abc           2