Pandas按ID分组统计日期频次及总天数问题求助

首先，我们需要先处理日期格式，提取出Date_Time中的日期部分（去掉时分秒），这样才能准确统计日期的出现频次，而不是完整时间戳的频次。接下来分三步完成需求：

1. 数据预处理：提取日期列 #

先把Date_Time转换为datetime类型，然后提取纯日期部分：

import pandas as pd

# 示例数据
data = pd.DataFrame({ 
    'ID': [1, 1, 1, 1, 2, 2, 3, 4, 4, 5, 6, 6], 
    'Date_Time': ['2010-01-01 12:01:00', '2010-01-01 01:27:33', '2010-04-02 12:01:00', '2010-04-01 07:24:00', 
                  '2011-01-01 12:01:00', '2011-01-01 01:27:33', '2013-01-01 12:01:00', '2014-01-01 12:01:00', 
                  '2014-01-01 01:27:33', '2015-01-01 01:27:33', '2016-01-01 01:27:33', '2011-01-01 01:28:00']
})

# 提取纯日期列
data['Date'] = pd.to_datetime(data['Date_Time']).dt.date

2. 统计两个核心指标 #

• 每个ID的总天数：这里指该ID下出现的不同日期的数量，用nunique()统计去重后的日期数：

  # 统计ID对应的总天数
  id_total_days = data.groupby('ID')['Date'].nunique().reset_index(name='Total_Days')
  

• 每个ID下各日期的出现频次：按ID和Date分组统计数量，再用unstack()把日期转为列，缺失值填充为0：

  # 统计各日期的出现频次
  id_date_counts = data.groupby(['ID', 'Date']).size().unstack(fill_value=0)
  

3. 合并结果 #

把两个统计结果按ID合并，得到最终的DataFrame：

# 合并总天数与日期频次
final_result = id_total_days.merge(id_date_counts, on='ID', how='left')

运行后final_result的样式如下（示例）：

为什么你的原代码无法合并？ #

你之前的代码number = data.groupby(by=['ID, Date_Time']).size().unstack(fill_value=0)有两个问题：

1. 分组列语法错误：['ID, Date_Time']是一个包含单个字符串的列表，应该写成['ID', 'Date_Time']才是按两列分组；
2. 统计维度不对：你按完整的时间戳（Date_Time）分组，每个时间戳几乎都是唯一的，导致unstack()后会生成大量列，且和原数据的结构不匹配，自然无法合并。我们提取日期部分后，统计维度是日期而非时间戳，结果结构更规整，也能顺利和总天数统计结果合并。

内容的提问来源于stack exchange，提问作者Dave Will