如何基于User ID统计Date列的变化次数并生成计数列？

你的需求核心是对每个User ID，统计其Date的不同取值的出现顺序——同一用户下Date变化时计数加1，同一Date的所有行计数保持一致。之前的代码之所以不符合要求，是因为你同时按Date和User ID分组统计了重复次数，这和需求刚好相反。

最简洁的实现方式：使用rank(method='dense') #

Pandas的rank方法配合method='dense'可以完美实现这个需求——它会对每个分组内的Date值按出现顺序进行连续排名，同一Date的行将获得相同的排名。

步骤如下：

1. 先确保Date列是日期类型（避免字符串排序出错）
2. 按User ID分组，对Date列执行密集排名

代码示例：

import pandas as pd

# 构造示例数据
data = {
    'Date': ['01.05.20', '01.05.20', '02.05.20', '02.05.20', '02.05.20', '04.05.20', '05.05.20', '06.05.20', '09.05.20'],
    'User ID': ['CT500', 'FC200', 'FC200', 'TH600', 'OR100', 'UI800', 'UI800', 'UI800', 'UI800']
}
df = pd.DataFrame(data)

# 转换Date列为日期类型
df['Date'] = pd.to_datetime(df['Date'], format='%d.%m.%y')

# 生成No.of Changes列
df['No.of Changes'] = df.groupby('User ID')['Date'].rank(method='dense').astype(int)

# 查看结果
print(df)

运行后会得到你期望的输出：

Date User ID  No.of Changes
0 2020-05-01   CT500              1
1 2020-05-01   FC200              1
2 2020-05-02   FC200              2
3 2020-05-02   TH600              1
4 2020-05-02   OR100              1
5 2020-05-04   UI800              1
6 2020-05-05   UI800              2
7 2020-05-06   UI800              3
8 2020-05-09   UI800              4

另一种实现：手动检测Date变化并累积计数 #

如果你想更直观地理解逻辑，也可以通过检测每个用户内Date是否发生变化，再累积求和：

# 先按User ID和Date排序，确保顺序正确
df = df.sort_values(['User ID', 'Date'])

# 标记当前行Date是否与同组前一行不同
df['is_new_date'] = df.groupby('User ID')['Date'].transform(lambda x: x != x.shift())
# 第一行没有前一行，所以标记为True
df['is_new_date'] = df['is_new_date'].fillna(True)

# 对每个用户的标记进行累积求和，得到变更次数
df['No.of Changes'] = df.groupby('User ID')['is_new_date'].cumsum().astype(int)

# 可选：删除中间辅助列
df = df.drop('is_new_date', axis=1)

这种方法逻辑更清晰，适合需要自定义调整的场景，但rank方法更简洁高效。

内容的提问来源于stack exchange，提问作者Ak17