如何基于Pandas按门店按日存储未接来电时间数组？

需要处理存储日期、门店名称及当日未接来电时间的DataFrame，将其转换为日期为外层键，门店为内层键，对应值为该门店当日未接来电时间列表的嵌套字典。

DataFrame结构示例：

Date                            Store          Time
9/3/2023             Location A (8005)         8:29:29 AM
9/3/2023             Location B (8004)         9:03:58 AM
9/3/2023             Location B (8004)         9:45:45 AM
9/3/2023             Location C (8003)         9:50:29 AM
9/3/2023             Location D (8006)         9:51:35 AM
...                     ...                       ...
9/9/2023             Location B (8004)         8:31:50 PM
9/9/2023             Location D (8006)        10:34:26 PM
9/9/2023             Location D (8006)        10:39:53 PM
9/9/2023             Location C (8003)        11:48:46 PM
9/9/2023             Location C (8003)        11:50:33 PM

期望输出格式：

{'9/03/23' : {'Location A' : [list of times],...,'Location D' : [list of times]},...,'9/09/23' : ...}

编写的函数代码：

def calls_perDay_perStore(df):
    d = defaultdict(dict)
    arr = []
    for i,row in df.iterrows():
        d[row.Date][row.Store] = arr
        d[row.Date][row.Store].append(row.Time)
    dict(d)
    print(d)

问题：所有时间被追加到同一个数组中，无法按日期和门店正确分组。

错误原因 #

你创建了一个全局的arr列表，每次循环都把这个同一个列表对象赋值给不同的日期和门店键，所以所有的append操作都会修改这个唯一的列表，导致所有时间混在一起。

方法1：修改循环逻辑（手动判断） #

每次循环时，检查当前日期下的门店是否已存在列表，不存在则新建空列表再追加时间：

from collections import defaultdict

def calls_perDay_perStore(df):
    d = defaultdict(dict)
    for _, row in df.iterrows():
        date_key = row.Date
        store_key = row.Store
        # 检查当前日期下的门店是否已有列表，没有则新建
        if store_key not in d[date_key]:
            d[date_key][store_key] = []
        d[date_key][store_key].append(row.Time)
    # 转换为普通字典（可选）
    return dict(d)

方法2：使用嵌套defaultdict（更简洁） #

用嵌套的defaultdict自动为不存在的日期和门店创建空列表，避免手动判断：

from collections import defaultdict

def calls_perDay_perStore(df):
    # 外层是日期的defaultdict，内层是门店的defaultdict，默认值为空列表
    d = defaultdict(lambda: defaultdict(list))
    for _, row in df.iterrows():
        d[row.Date][row.Store].append(row.Time)
    # 转换为普通字典（如果需要去掉defaultdict类型）
    return {k: dict(v) for k, v in d.items()}

方法3：用Pandas GroupBy（高效推荐） #

对于大数据量，iterrows效率较低，直接用Pandas的分组功能更高效：

def calls_perDay_perStore(df):
    # 按Date和Store分组，将Time列转为列表
    grouped = df.groupby(['Date', 'Store'])['Time'].apply(list).unstack()
    # 转换为目标嵌套字典格式
    return grouped.to_dict('index')

内容的提问来源于stack exchange，提问作者EyTuZy