我有一个带有产品合同（带有Product_ID）的数据框。这些合同在特定日期（StartDate）打开，并在特定时间（CloseDate）关闭。合同也可能在此刻处于活动状态，因此没有CloseDate。
有多个具有ID引用的合同的客户端。这些客户在特定的时间填写调查表，该时间由日期（Key_Date）表示。
我要计算的是几个功能，但是在此示例中，我将重点介绍独特产品的数量。我想知道在填写调查表时某个客户有多少独特产品。
我们有一个数据框df_result，其中包含客户的ID和他们在调查中填写的日期。在此数据框中，我们还将附加计算出的特征：
import pandas as pd
import numpy as np
np.random.seed(256)
df_result = pd.DataFrame({'ID' : np.random.randint(3, size=(10)),
'Key_Date' : pd.date_range(start=pd.datetime(2015, 5, 21), periods=10, freq='m')})
df_result.head()
ID Key_Date
0 0 2015-05-31
1 2 2015-06-30
2 1 2015-07-31
3 0 2015-08-31
4 1 2015-09-30
我们还有一个包含不同合同/产品的数据框，名为
df_products：np.random.seed(321)
df_products = pd.DataFrame({'ID' : np.random.randint(5, size=(10)),
'Product_ID' : np.random.randint(low = 101, high = 104, size=10),
'StartDate' : pd.date_range(start=pd.datetime(2015, 3, 1), periods=10, freq='m'),
'CloseDate' : pd.date_range(start=pd.datetime(2016, 1, 1), periods=10, freq='m')})
df_products.head()
CloseDate StartDate ID Product_ID
0 2016-01-31 2015-03-31 4 102
1 2016-02-29 2015-04-30 2 101
2 2016-03-31 2015-05-31 4 102
3 2016-04-30 2015-06-30 1 102
4 2016-05-31 2015-07-31 0 103
我提供了一个功能，可以对填写调查表的客户的独特产品进行计数，该客户的合同在填写之时仍处于活动状态，
key_date（因此合同的开始日期（StartDate）早于此）日期，并且结束日期（CloseDate）在此日期之后）。我还希望能够在填写日期之前给出范围，例如，在过去一年中一直活跃的所有独特产品。因此，即使11个月前的已关闭合同也将包括在内。我通过提供一个额外的参数timeperiod来实现此目的，我减去了填充日期（生成一个新的日期：low_date）。然后，CloseDate必须晚于low_date，而不是key_date。def unique_products(df,timeperiod,ID,key_date):
low_date = key_date - relativedelta(months=timeperiod)
data = df.loc[(df['StartDate'] <= key_date) &
(df['CloseDate'] >= low_date) &
(df['ID'] == ID)].groupby(['ID'], as_index = False)['Product_ID'].nunique().reset_index()
if 'Product_ID' in list(data):
try:
return float(data['Product_ID'])
except:
return np.nan
之后，我将这些值附加到
unique_products中名为df_result的新列中：df_result['unique_products'] = df_result.apply(lambda row: unique_products(df_products, 3, row['ID'], row['Key_Date']), axis=1)
df_result.head()
ID Key_Date unique_products
0 0 2015-05-31 NaN
1 2 2015-06-30 1.0
2 1 2015-07-31 1.0
3 0 2015-08-31 1.0
4 1 2015-09-30 2.0
但是，将其应用于我的整个日期集时，由于必须对每个调查行进行评估，因为它们具有不同的时间，因此它变得相当慢。有什么办法可以改善这一点？
谢谢你的任何投入
最佳答案
您需要使用合并。
merged = pd.merged(df_products,df_results,how='left',on='ID')
现在，合并后的数据将包含df_products的所有列以及“关键日期”，如果为空，则表示该人尚未填写调查。
filled_survey = merged.loc[~(merged['Key Date'].isnull())]
现在，您可以通过减去相关日期来找到时间增量并相应地进行过滤。
关于python - 通过python优化 Pandas 分组，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/45302034/