Pandas中如何按列元素的集合(set)分组统计购买组合次数

1. 新增# of times bought列的实现方法 #

核心思路是将不可哈希的集合转换为可哈希、且相同集合取值一致的类型作为分组键，再配合transform将分组统计结果映射回原表每一行：

import pandas as pd 

# 构造原始示例数据
df = pd.DataFrame({'name':['Josh', 'Paul','Ivy','Mark'],
                   'orderId':[1,2,3,4],
                   'purchases':[['sofa','sofa','chair'],
                                ['chair','sofa'],
                                ['sofa','chair'],
                                ['sofa','chair','chair']]})

# 生成可哈希的去重购买组合键：先转set去重，排序后转tuple保证相同集合的键值完全一致
df['unique_purchase_key'] = df['purchases'].apply(lambda x: tuple(sorted(set(x))))
# 按组合键分组，统计每个组合的订单数，用transform映射回原表
df['# of times bought'] = df.groupby('unique_purchase_key')['orderId'].transform('nunique')
# 可选：删除临时生成的键列
df = df.drop(columns='unique_purchase_key')

运行后即可得到你需要的结果：

如果你不想新增临时列，也可以直接在groupby中传入分组键生成规则：

df['# of times bought'] = df.groupby(df['purchases'].apply(lambda x: tuple(sorted(set(x)))))['orderId'].transform('nunique')

2. Pandas不支持按set类型分组的原因 #

Pandas的groupby底层依赖哈希表实现分组的映射匹配，要求分组键必须是**可哈希（hashable）**的类型：

• Python中set属于可变容器，内容修改会导致哈希值变化，因此本身是不可哈希的，无法作为哈希表的键存入分组索引，这就是你报错TypeError: unhashable type: 'set'的根本原因。
• 虽然Python支持两个set做等值判断，但等值判断是分组的必要非充分条件，分组操作必须先通过哈希值对键做分类，再做等值校验，缺少可哈希的前提就无法完成分组逻辑。
• 你之前在Jupyter中看到的临时正确结果属于异常兼容的偶发现象，不具备可靠性，生产环境不能依赖这类输出。

内容的提问来源于stack exchange，提问作者Jonas Palačionis