如何在Pandas DataFrame中统计用户首次答对的唯一题目数量并生成统计报表

现有DataFrame结构 #

• user_id：代表用户ID
• question_id：代表题目编号
• user_answer：用户针对该题选择的选项（可选值为A、B、C、D）
• correct_answer：该题的正确答案
• correct：标记用户答案是否正确，0.0表示错误，1.0表示正确
• elapsed_time：用户回答该题花费的时间（单位：分钟）

示例数据 #

目标DataFrame结构 #

已完成代码 #

df_total_questions_attempted = df.groupby(['user_id'], as_index=False , sort=False)['question_id'].count()
df_total_questions_attempted = df_total_questions_attempted.rename(columns={'question_id': 'Total Questions Attempted'})

问题需求 #

咱们已经搞定了「Questions Attempted」列，现在需要获取「Unique Questions Attempted」列——这个列要统计用户首次答对某道题的记录数，也就是每个用户的每个question_id只算第一次答对的那次，之后重复答对同一题的不算。比如示例里用户1第一次答对130题是第2条记录，用户2第一次答对10题是第6条，这两个才会被计入统计。

解决方案 #

要实现这个需求，咱们可以分几步来做：

1. 筛选答对的记录：首先把所有correct == 1.0的行挑出来，毕竟我们只关注答对的情况。
2. 保留首次答对的记录：按user_id和question_id分组，取每组的第一条数据——这就是该用户第一次答对这道题的记录。
3. 统计独特答对题目数：再按user_id分组，统计每组的记录数量，就是「Unique Questions Attempted」的值。

对应的代码如下：

# 筛选所有答对的记录，然后按用户+题目分组，保留每组第一条（首次答对）
df_first_correct = df[df['correct'] == 1.0].groupby(['user_id', 'question_id'], as_index=False, sort=False).first()

# 统计每个用户首次答对的独特题目数量
df_unique_attempted = df_first_correct.groupby(['user_id'], as_index=False, sort=False)['question_id'].count()
df_unique_attempted = df_unique_attempted.rename(columns={'question_id': 'Unique Questions Attempted'})

接下来把这个结果和你已经得到的总答题数DataFrame合并：

# 合并两个结果，确保所有用户都被包含（即使没有答对任何题的用户）
df_final = pd.merge(df_total_questions_attempted, df_unique_attempted, on='user_id', how='left')

# 处理空值：如果用户没有答对任何题，Unique Questions Attempted设为0
df_final['Unique Questions Attempted'] = df_final['Unique Questions Attempted'].fillna(0).astype(int)

最后计算百分比列（假设总题数是13169）：

total_questions = 13169
# 如果要计算实际百分比数值：
df_final['Percentage'] = (df_final['Unique Questions Attempted'] / total_questions) * 100
# 如果要保留Excel公式样式：
# df_final['Percentage'] = df_final['Unique Questions Attempted'].apply(lambda x: f'=({x}/{total_questions})*100')

这样就能得到完全符合要求的目标DataFrame啦。

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