每日/多日跨国重复客户统计：代码修正与动态优化需求

问题描述 #

需要为数据集创建3个新列：

• Unique customer count：按Date和Country分组，统计唯一Customer ID的数量；
• Repeated from Previous Day：客户当日到访且前一日也到访过，计数加1（单日多次到访仅计1次）；
• Repeated from Previous 2 Days：客户当日到访且前两天（前日和前日的前日）都到访过（即连续3天到访），计数加1（单日多次到访仅计1次）。

现有代码存在两个问题：

1. 中国地区2023-12-02的Repeated from Previous 2 Days列计算错误，应为0（因为缺少2023-11-30的数据，无法满足连续3天到访）；
2. 无法支持动态输入连续天数N，即无法灵活统计连续N+1天到访的客户。

预期输出：

问题分析 #

原代码的核心问题：

1. 计算Repeated from Previous 2 Days时，仅判断了当前日期与前一次访问日期的间隔≤2天，未验证是否连续3天都有到访；
2. 仅对全局最早日期做了特殊处理，忽略了部分日期虽不是全局最早，但缺少更早日期（如2023-12-02的中国，仅存在2023-12-01的数据，无法满足连续3天）；
3. 未封装逻辑，无法支持动态连续天数的统计需求。

修正与优化后的代码 #

import pandas as pd

def calculate_repeated_visits(df, n_days):
    """
    计算连续n_days+1天到访的客户数（即当日到访，且之前连续n_days天都到访过）
    参数:
        df: 去重后的数据集（仅保留每个客户每日一条记录）
        n_days: 需要连续的天数（比如n_days=1对应连续2天，n_days=2对应连续3天）
    返回:
        分组求和后的结果列
    """
    # 对每个客户的日期序列，生成前n_days天的日期
    shifted_dates = [df.groupby(["Country", "Customer ID"])["Date"].shift(i) for i in range(1, n_days+1)]
    
    # 判断连续n_days+1天是否都到访：每个移位后的日期与当前日期的差为i天
    conditions = [
        (df["Date"] - shifted_date) == pd.Timedelta(days=i)
        for i, shifted_date in enumerate(shifted_dates, 1)
    ]
    
    # 所有条件需同时满足，且移位后的日期不为空
    repeated = pd.Series(True, index=df.index)
    for cond in conditions:
        repeated = repeated & cond & cond.notna()
    
    # 按日期和国家分组求和
    return df.groupby(["Date", "Country"])[repeated].transform("sum").astype(int)

# 加载数据
data = {
    "Date": ["2023-12-01", "2023-12-01", "2023-12-01", "2023-12-02","2023-12-03","2023-12-02","2023-12-03"],
    "Country": ["China", "China","South Korea","China","China","China","China"],
    "Customer ID": [1001, 1001, 1002, 1001, 1001,1005,1005]
}
df = pd.DataFrame(data)

# 数据预处理：转换日期格式 + 去重（单日多次访问仅保留1条）
df["Date"] = pd.to_datetime(df["Date"])
df_unique = df.drop_duplicates(subset=["Date", "Country", "Customer ID"]).sort_values(["Country", "Customer ID", "Date"])

# 1. 计算Unique customer count
df_unique["Unique Customer"] = df_unique.groupby(["Date", "Country"])["Customer ID"].transform("nunique")

# 2. 计算Repeated from Previous Day（连续2天到访）
df_unique["Repeated from Previous Day"] = calculate_repeated_visits(df_unique, n_days=1)

# 3. 计算Repeated from Previous 2 Days（连续3天到访）
df_unique["Repeated from Previous 2 Days"] = calculate_repeated_visits(df_unique, n_days=2)

# 整理结果并输出
result = df_unique[["Date", "Country", "Unique Customer", "Repeated from Previous Day", "Repeated from Previous 2 Days"]].drop_duplicates().sort_values(["Date", "Country"]).reset_index(drop=True)
print(result)

关键优化点说明 #

1. 提前去重：先通过drop_duplicates保留每个客户每日的唯一记录，避免后续统计重复计数；
2. 连续到访逻辑修正：通过shift生成前N天的日期，严格判断每个间隔是否为连续1天，确保只有连续N+1天到访的客户才被统计；
3. 动态函数封装：calculate_repeated_visits函数支持输入n_days参数，灵活统计连续n_days+1天到访的客户数（比如n_days=3对应连续4天到访）；
4. 自动处理缺失日期：通过检查shift后的日期是否非空，自动排除那些缺少更早日期的情况（如中国2023-12-02，因无法找到前2天的记录，自然不会被统计）。

内容的提问来源于stack exchange，提问作者gyiernahfufie