如何在含重复数据的Pandas DataFrame中按唯一字段计算流失率

原始数据 #

生成目标DataFrame的代码：

import numpy as np
import pandas as pd
df = pd.DataFrame({
  'user' : ['A', 'A', 'B', 'B', 'B', 'C', 'C'],
  'step_1' : [True, True, True, True, True, True, True],
  'step_2' : [True, False, False, True, False, True, True],
  'step_3' : [False, False, False, False, False, True, True]
})
print(df)

输出的DataFrame内容：

user  step_1  step_2  step_3
0    A    True    True   False
1    A    True   False   False
2    B    True   False   False
3    B    True    True   False
4    B    True   False   False
5    C    True    True    True
6    C    True    True    True

需求说明 #

需要计算每个步骤的用户完成比例：即有多少比例的用户至少有一条记录中该步骤为True。注意用户可能有多条观测记录，不能直接按用户去重，需确保只要用户有一次完成该步骤就算完成。

预期结果：

• Step 1 = 1.00（所有用户A、B、C都有Step 1为True的记录）
• Step 2 = 1.00（所有用户A、B、C都有Step 2为True的记录）
• Step 3 = 0.33（仅用户C有Step 3为True的记录）

解决方案 #

核心思路是按用户分组，判断每个用户是否完成对应步骤（即组内是否存在至少一个True），再计算完成用户数占总用户数的比例。

代码实现：

# 按用户分组，判断每个用户是否完成对应步骤
user_step_completion = df.groupby('user')[['step_1', 'step_2', 'step_3']].any()

# 计算各步骤完成比例并保留两位小数
completion_rates = user_step_completion.mean().round(2)

# 格式化输出结果
for step, rate in completion_rates.items():
    print(f"{step} = {rate:.2f}")

代码解释 #

1. groupby('user')：将同一用户的所有观测记录归为一组；
2. .any()：对每组内的步骤列进行判断，只要组内有一个True，结果即为True（代表该用户完成此步骤）；
3. .mean()：将True视为1、False视为0，计算列的均值，得到完成该步骤的用户占总用户数的比例；
4. .round(2)：将结果保留两位小数，匹配预期格式。

运行结果 #

step_1 = 1.00
step_2 = 1.00
step_3 = 0.33

内容的提问来源于stack exchange，提问作者TMo