如何匹配story_id列并正确计算视频用户观看百分比？

问题核心 #

你的原代码拆分了观看数和总记录数的计算逻辑，虽然两者的索引都是story_id，但value_counts()默认按计数降序排列，而groupby.sum()则遵循story_id在原数据中的出现顺序。虽然Pandas会按索引对齐执行除法，但这种分散计算的方式很容易因为索引顺序差异导致结果误解，更稳妥的做法是在同一个分组操作内完成所有统计，确保索引完全匹配。

修复方案 #

场景1：每条记录对应唯一用户-视频交互

如果你的数据里，每一行都是一个用户对某个视频的唯一交互记录（无重复用户同视频多条记录），用这个方法：

# 一次分组完成观看数、总数统计，索引自动对齐
stats = df.groupby('story_id').agg(
    观看人数=('status', lambda x: (x == 3).sum()),
    总人数=('status', 'count')
)
# 计算观看占比
stats['观看占比'] = stats['观看人数'] / stats['总人数']

场景2：存在用户同视频多条交互记录

如果数据中有同一用户对同一视频的多条操作记录，需要统计唯一用户数而非记录数：

stats = df.groupby('story_id').agg(
    观看用户数=('user_id', lambda x: x[df.loc[x.index, 'status'] == 3].nunique()),
    总用户数=('user_id', 'nunique')
)
stats['观看占比'] = stats['观看用户数'] / stats['总用户数']

针对原代码的直接修正

如果想沿用类似原代码的写法，确保两个统计结果的索引完全一致：

# 按story_id分组计算观看数
watch_counts = df.status.eq(3).astype(int).groupby(df.story_id).sum()
# 用groupby.size()替代value_counts()，保证索引顺序一致
total_counts = df.groupby(df.story_id).size()
# 生成结果DataFrame
result = pd.DataFrame({'观看占比': watch_counts / total_counts})

重要提醒 #

• 尽量在同一个groupby操作内完成关联统计，从根源避免索引不匹配的问题。
• 明确你的“总用户数”是记录数还是唯一用户数，这会直接影响占比计算的准确性。

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