问题描述
我一直试图解决一个问题几个小时并坚持下去。 以下是问题大纲：
import numpy as np
import pandas as pd
df = pd.DataFrame({'orderid': [10315, 10318, 10321, 10473, 10621, 10253, 10541, 10645],
'customerid': ['ISLAT', 'ISLAT', 'ISLAT', 'ISLAT', 'ISLAT', 'HANAR', 'HANAR', 'HANAR'],
'orderdate': ['1996-09-26', '1996-10-01', '1996-10-03', '1997-03-13', '1997-08-05', '1996-07-10', '1997-05-19', '1997-08-26']})
df
orderid customerid orderdate
0 10315 ISLAT 1996-09-26
1 10318 ISLAT 1996-10-01
2 10321 ISLAT 1996-10-03
3 10473 ISLAT 1997-03-13
4 10621 ISLAT 1997-08-05
5 10253 HANAR 1996-07-10
6 10541 HANAR 1997-05-19
7 10645 HANAR 1997-08-26
我想选择在 5 天内多次订购商品的所有客户。
例如，这里只有客户在 5 天内订购了并且他已经完成了两次。
我想获得以下格式的输出：
所需输出
customerid initial_order_id initial_order_date nextorderid nextorderdate daysbetween
ISLAT 10315 1996-09-26 10318 1996-10-01 5
ISLAT 10318 1996-10-01 10321 1996-10-03 2
1楼
首先，为了能够计算天数差异，将orderdate列转换为datetime ：
df.orderdate = pd.to_datetime(df.orderdate)
然后定义如下函数：
def fn(grp):
return grp[(grp.orderdate.shift(-1) - grp.orderdate) / np.timedelta64(1, 'D') <= 5]
最后应用它：
df.sort_values(['customerid', 'orderdate']).groupby('customerid').apply(fn)
2楼
您可以使用sort_values和diff创建列“daysbetween”。
获得以下顺序后，您可以join df 与 df join一次groupby每个 customerid 并shift所有数据。
最后， query满足 'daysbetween_next ' 中的天数的地方：
df['daysbetween'] = df.sort_values(['customerid', 'orderdate'])['orderdate'].diff().dt.days
df_final = df.join(df.groupby('customerid').shift(-1),
lsuffix='_initial', rsuffix='_next')\
.drop('daysbetween_initial', axis=1)\
.query('daysbetween_next <= 5 and daysbetween_next >=0')
3楼
这有点棘手，因为在 5 天窗口内可以有任意数量的购买对。
这是利用merge_asof一个很好的用例，它允许对数据帧与其自身进行近似但不精确的匹配。
输入数据
import pandas as pd
df = pd.DataFrame({'orderid': [10315, 10318, 10321, 10473, 10621, 10253, 10541, 10645],
'customerid': ['ISLAT', 'ISLAT', 'ISLAT', 'ISLAT', 'ISLAT', 'HANAR', 'HANAR', 'HANAR'],
'orderdate': ['1996-09-26', '1996-10-01', '1996-10-03', '1997-03-13', '1997-08-05', '1996-07-10', '1997-05-19', '1997-08-26']})
定义一个计算购买对的函数，给定客户的数据。
def compute_purchase_pairs(df):
# Approximate self join on the date, but not exact.
df_combined = pd.merge_asof(df,df, left_index=True, right_index=True,
suffixes=('_first', '_second') , allow_exact_matches=False)
# Compute difference
df_combined['timedelta'] = df_combined['orderdate_first'] - df_combined['orderdate_second']
return df_combined
进行预处理并计算对
# Convert to datetime
df['orderdate'] = pd.to_datetime(df['orderdate'])
# Sort dataframe from last buy to newest (groupby will not change this order)
df2 = df.sort_values(by='orderdate', ascending=False)
# Create an index for joining
df2 = df.set_index('orderdate', drop=False)
# Compute puchases pairs for each customer
df_differences = df2.groupby('customerid').apply(compute_purchase_pairs)
# Show only the ones we care about
result = df_differences[df_differences['timedelta'].dt.days<=5]
result.reset_index(drop=True)
结果
orderid_first customerid_first orderdate_first orderid_second \
0 10318 ISLAT 1996-10-01 10315.0
1 10321 ISLAT 1996-10-03 10318.0
customerid_second orderdate_second timedelta
0 ISLAT 1996-09-26 5 days
1 ISLAT 1996-10-01 2 days
4楼
这很简单。 让我们写下当时的需求，并尝试以此为基础。
首先，我猜客户有一个唯一的 id，因为它没有被指定。 我们将使用该 ID 来识别客户。
其次，我认为客户是在 5 天前还是后 5 天购买都没有关系。
我的解决方案是使用一个简单的过滤器。 请注意，此解决方案也可以在 SQL 数据库中实现。
作为一个条件，我们要求用户是相同的。 我们可以通过以下方式实现：
new_df = df[df["ID"] == df["ID"].shift(1)]
我们创建一个新的 DataFrame，即 new_df，所有行都使得第 x 行与第 x - 1 行（即前一行）具有相同的用户 ID。
现在，让我们通过在前一段代码中添加条件来搜索 5 天内的购买
new_df = df[df["ID"] == df["ID"].shift(1) & (df["Date"] - df["Date"].shift(1)) <= 5]
这应该可以完成工作。 我现在不能测试它写，所以可能需要一些修复。 我会尽快尝试测试