如何在Pandas中按月份统计布尔列真值与case_id去重计数

数据构造 #

import pandas as pd
from io import StringIO
    
df = """  
    month       status_review             supply_review  case_id
2023-01-01           False                    False      12             
2023-01-01           True                     True       33           
2022-12-01           False                    True       45           
2022-12-01           True                     True       45         
2022-12-01           False                    False      44
    """
df= pd.read_csv(StringIO(df.strip()), sep='\s\s+', engine='python')

需求 #

按month分组完成以下统计：

• 每个月status_review为True的记录数
• 每个月supply_review为True的记录数
• 每个月case_id的去重计数

期望输出格式：

month       # of true status_review      # of true supply_review  # of case
2023-01-01           1                         1                        2
2022-12-01           1                         2                        2

问题分析 #

直接使用groupby.sum()或groupby.agg('sum')会对case_id进行求和，而非去重计数，不符合需求：

df.groupby("month").sum()
df.groupby('month').agg('sum')

输出结果：

status_review    supply_review   case_id
month           
2022-12-01             1    2               134
2023-01-01             1    1               45

解决方案 #

使用groupby.agg()为每列指定单独的统计逻辑，精准控制各列的计算方式：

result = df.groupby('month').agg(
    **{
        '# of true status_review': ('status_review', 'sum'),
        '# of true supply_review': ('supply_review', 'sum'),
        '# of case': ('case_id', pd.Series.nunique)
    }
).reset_index()

print(result)

代码解释 #

• ('status_review', 'sum')：布尔类型中True等价于1、False等价于0，求和即可得到True的总数量
• ('case_id', pd.Series.nunique)：调用nunique()方法统计去重后的case_id数量
• reset_index()：将month从分组索引转换为普通列，匹配期望的输出格式

运行后输出结果：

month  # of true status_review  # of true supply_review  # of case
0  2022-12-01                        1                        2          2
1  2023-01-01                        1                        1          2

内容的提问来源于stack exchange，提问作者William