使用R统计DataFrame中各ID每年重复Code的数量

输入数据 #

Id   |  Code  | year
1    |  ZZZ   | 2016
1    |  KKK   | 2016
1    |  A23   | 2018
2    |  A01   | 2018
2    |  KKK   | 2016
2    |  ddd   | 2017
3    |  KKK   | 2016
3    |  ZZZ   | 2016
4    |  A23   | 2018
4    |  000   | 2018
5    |  009   | 2018

需求 #

按Id分组，统计每个Id在各年份下，该Code在整个DataFrame中至少出现过一次重复的数量，生成宽表格式的统计结果。

解决方案 #

步骤说明 #

1. 识别全局重复的Code：计算每个Code在全量数据中的出现次数，筛选出出现次数≥2的Code。
2. 标记目标行：给原数据添加标记列，标识该行的Code是否属于全局重复的。
3. 分组统计并转宽表：对标记为重复的行按Id和year分组计数，转换为宽表后填充缺失值为0。

代码实现 #

import pandas as pd

# 构建输入DataFrame
df = pd.DataFrame({
    'Id': [1,1,1,2,2,2,3,3,4,4,5],
    'Code': ['ZZZ','KKK','A23','A01','KKK','ddd','KKK','ZZZ','A23','000','009'],
    'year': [2016,2016,2018,2018,2016,2017,2016,2016,2018,2018,2018]
})

# 1. 获取全局重复的Code列表
duplicate_codes = df['Code'].value_counts()[lambda x: x >= 2].index

# 2. 标记每行Code是否为重复项
df['is_duplicate'] = df['Code'].isin(duplicate_codes)

# 3. 分组统计，转宽表并填充0
result = (
    df[df['is_duplicate']]
    .groupby(['Id', 'year'])
    .size()
    .unstack(fill_value=0)
    .reindex(columns=sorted(df['year'].unique()), fill_value=0)
    .reset_index()
)

# 打印格式化结果
print(result.to_string(index=False))

输出结果 #

内容的提问来源于stack exchange，提问作者Giuseppe Caputo