如何用Pandas按App ID及Star分组计算开发者回复评论占比

需求说明 #

针对百万行规模的Pandas DataFrame，按App ID分组后，再对每个App ID下的评论按Star（评分）细分，计算每个评分分组中开发者已回复评论的占比。

实现步骤 #

1. 标记是否有开发者回复 #

首先识别每条评论是否收到有效开发者回复，需处理空字符串、仅含空白字符（换行、空格）的无效回复：

# 矢量化处理，高效判断有效回复（适合百万行数据，性能优于apply）
df['has_reply'] = (df['DeveloperReply'].str.strip() != '').astype(int)

• str.strip()：去除回复内容首尾的空白字符（包括换行、空格）
• 比较结果转为整数1（有有效回复）或0（无有效回复）

2. 分组计算回复占比 #

通过groupby按App ID和Star分层分组，统计每组的总评论数与已回复评论数，最终计算占比并格式化为百分比：

# 分组统计并生成百分比结果
result = df.groupby(['App ID', 'Star']).agg(
    总评论数=('has_reply', 'count'),
    已回复数=('has_reply', 'sum')
).assign(
    Percentage=lambda x: (x['已回复数'] / x['总评论数'] * 100).round(2).astype(str) + '%'
).reset_index()[['App ID', 'Star', 'Percentage']]

• groupby(['App ID', 'Star'])：实现先按应用ID分组，再按评分细分的双层分组逻辑
• agg：一次性统计每组的总评论数（count）和已回复评论数（sum，利用has_reply的1/0特性）
• assign：计算占比并格式化为带%的字符串，保留两位小数

3. 结果示例 #

针对提供的示例数据，运行后得到的结果如下：

性能优化建议 #

针对百万行规模的数据，优先使用矢量化操作（如str.strip()）而非apply，避免逐行处理带来的性能损耗；若内存紧张，可考虑使用dask.dataframe进行并行分块处理。

内容的提问来源于stack exchange，提问作者Mystic