如何统计datetime64[ns]列分组唯一日期数并解决Series调用报错

• 现有Pandas DataFrame df，包含id、timeframe、type三个字段：
  • timeframe列数据类型为datetime64[ns]
  • type列取值仅为'A'或'B'
• 需求：筛选df['type'] == 'A'的记录，统计每个id对应的唯一日期总数量
• 原实现代码运行报错TypeError: 'Series' object is not callable，原代码如下：

df = df.groupby(['id', 'type']).timeframe.apply(lambda x: x.dt.date()).unique().rename('test').reset_index()

• 直接触发报错的点：x.dt.date是datetime64类型列的属性，返回提取日期后的Series对象，不是可调用的方法，后续加()相当于把Series当函数执行，直接抛出'Series' object is not callable错误。
• 代码逻辑存在额外问题：
  • 未提前筛选type == 'A'的记录，会将类型为B的数据纳入统计
  • unique()写在apply()外层，作用是对全量聚合结果做去重，而非对每个分组内的日期去重计数，不符合需求
  • 用apply实现分组去重计数效率低，pandas原生提供了nunique()方法直接实现该逻辑。

优先使用性能更好的原生分组聚合写法，逻辑清晰：

# 筛选type为A的记录，按id分组统计唯一日期数
result = (
    df[df["type"] == "A"]
    # 提取日期部分，注意dt.date是属性，不要加括号
    .assign(stat_date=lambda x: x["timeframe"].dt.date)
    .groupby("id")
    ["stat_date"]
    .nunique()  # 直接统计分组内唯一值个数
    .rename("unique_date_cnt")
    .reset_index()
)

如果需要保留type字段到结果中，只需要把type加入分组键即可，因为提前做了筛选，结果中type值全为'A'：

result = (
    df[df["type"] == "A"]
    .assign(stat_date=lambda x: x["timeframe"].dt.date)
    .groupby(["id", "type"])
    ["stat_date"]
    .nunique()
    .rename("unique_date_cnt")
    .reset_index()
)

如果坚持用apply写法（不推荐，性能弱于原生nunique），修正后代码如下：

result = (
    df[df["type"] == "A"]
    .groupby("id")
    .timeframe
    .apply(lambda x: x.dt.date.unique().size)
    .rename("unique_date_cnt")
    .reset_index()
)

内容的提问来源于stack exchange，提问作者coderuk