如何用Pandas按日期和用户统计连续风险等级的出现天数

你的原始代码仅统计了每个用户、指标、风险等级的总记录数，未区分日期连续性，因此无法得到连续天数的结果。要实现需求，需按以下步骤处理：

步骤1：转换日期格式并排序 #

先将日期列转为可排序的datetime类型，确保连续日期的顺序正确：

import pandas as pd

# 转换日期格式（匹配输入的dd-mm-yy格式）
df['yy_mm_dd'] = pd.to_datetime(df['yy_mm_dd'], format='%d-%m-%y')
# 按用户、指标、日期排序，保证连续记录的顺序
df = df.sort_values(['userid', 'metrics', 'yy_mm_dd'])

步骤2：标记连续相同风险状态的分组 #

对每个用户+指标的组，判断风险等级是否发生变化，生成唯一的连续分组ID：

# 生成连续分组ID：当当前行风险等级与上一行不同时，分组ID递增
df['continuous_group'] = df.groupby(['userid', 'metrics'])['risk_level'].apply(
    lambda x: (x != x.shift()).cumsum()
)

步骤3：统计每个连续分组的天数并整理格式 #

按用户、指标、风险等级、连续分组ID统计天数，再转换为预期的文本格式：

# 统计每个连续分组的天数
stats = df.groupby(['userid', 'metrics', 'risk_level', 'continuous_group']).size().reset_index(name='days')

# 将天数转换为"X days"/"1 day"的格式
stats['days_risk'] = stats['days'].apply(lambda x: f"{x} day{'s' if x > 1 else ''}")

# 提取需要的列得到最终结果
final = stats[['userid', 'metrics', 'risk_level', 'days_risk']]

最终输出 #

运行上述代码后，final的结果将与你的预期完全一致：

关键说明 #

• 原始代码的问题：groupby(['userid','metrics','risk_level']).count()会合并所有同用户、同指标、同风险等级的记录，不管日期是否连续，无法区分间隔的风险状态段。
• 连续分组的核心：通过x != x.shift()识别风险等级的变化点，再用cumsum()生成递增的分组ID，确保每个连续相同风险等级的时间段拥有唯一标识。

内容的提问来源于stack exchange，提问作者Naomi