基于Pandas的多级推荐系统统计需求及代码问题求助

一、Python Pandas 修正方案 #

原代码的核心问题是没有建立上下级推荐关系的映射，只是单纯按层级拆分计数，无法形成真正的推荐金字塔结构。以下是修正后的实现：

实现代码 #

import pandas as pd

# 读取原始数据
df = pd.read_excel("L0-L5.xlsx", sheet_name="Sheet1")
# 转换日期格式（若无需按日期筛选可省略此步）
df["invited_at"] = pd.to_datetime(df["Rem Date"], format="%d.%m.%Y")

# 定义层级顺序：L0为用户本身，L1-L5为各级推荐用户
levels = ["L0", "L1", "L2", "L3", "L4", "L5"]
result_frames = []

# 逐层统计上级对应的下级数量
for i in range(1, len(levels)):
    parent_col = levels[i-1]
    child_col = levels[i]
    # 筛选非空数据，按上级分组统计下级数量
    level_stats = df[[parent_col, child_col]].dropna()\
                    .groupby(parent_col).count()\
                    .rename(columns={child_col: f"第{i}级推荐人数"})
    result_frames.append(level_stats)

# 合并所有层级统计结果，空值填充为0
final_result = pd.concat(result_frames, axis=1, join="outer").fillna(0)
final_result = final_result.rename_axis("user_id").reset_index()

# 保存结果到Excel
final_result.to_excel("推荐金字塔统计.xlsx", index=False)

代码说明 #

• 遍历L1到L5层级，每一层都基于上一层级（如L1的上级是L0）分组，统计每个上级拥有的下级数量。
• 合并所有层级结果后用fillna(0)补全无推荐用户的统计值，确保每个用户都有完整的各级推荐数。

二、Excel 手动统计方案 #

如果不想用代码，可通过Excel的COUNTIFS函数实现：

操作步骤 #

1. 提取唯一用户ID：新建工作表，从原表L0列提取所有唯一用户ID（通过「数据>删除重复值」完成）。
2. 添加统计列：在新表中依次添加一级推荐人数、二级推荐人数…五级推荐人数列。
3. 写入统计公式：
   • 一级推荐人数（统计当前用户作为L0时的L1数量）：

     =COUNTIFS(Sheet1!$L0列:$L0列, A2, Sheet1!$L1列:$L1列, "<>")
     

     （替换L0列/L1列为原表对应列标，A2为当前用户ID单元格）
   • 二级推荐人数（统计当前用户作为L0时的L2数量）：

     =COUNTIFS(Sheet1!$L0列:$L0列, A2, Sheet1!$L2列:$L2列, "<>")
     

   • 后续层级以此类推，替换对应列标即可。
4. 批量应用公式：下拉公式完成所有用户的统计。

按月份统计扩展 #

若需按月统计，可在COUNTIFS中添加日期条件：

=COUNTIFS(Sheet1!$L0列:$L0列, A2, Sheet1!$L1列:$L1列, "<>", Sheet1!$日期列:$日期列, ">="&DATE(2024,1,1), Sheet1!$日期列:$日期列, "<="&DATE(2024,1,31))

内容的提问来源于stack exchange，提问作者Saba Tananashvili