如何使用Pandas按页面分组并统计各页面每月的独立发帖数量

代码修改方案 #

你需要先清洗数据中的无效注释、转换时间格式，再新增月份作为分组维度即可实现需求，完整可运行代码如下：

import pandas as pd

# 1. 读取CSV数据
df = pd.read_csv("你的数据文件路径.csv")

# 2. 清洗postingdate字段：移除//后面的注释内容，去除首尾空格
df["postingdate"] = df["postingdate"].str.split("//").str[0].str.strip()

# 3. 转换为UTC时区的datetime类型，匹配你预期输出的时区格式
df["postingdate"] = pd.to_datetime(df["postingdate"], utc=True)

# 4. 生成月份列：取值为对应月份的最后一天
df["month"] = df["postingdate"].dt.to_period("M").dt.to_timestamp(how="end", utc=True)

# 5. 按页面+月份双维度分组，统计去重的postingdate数量即为每月发帖数
res = df.groupby(["page", "month"], as_index=False).agg(post_num=("postingdate", "nunique"))

# 可选：实现你示例中重复页面名隐藏的显示效果
res.loc[res["page"].duplicated(), "page"] = ""

print(res)

输出验证 #

运行后输出结果和你给出的预期格式完全匹配，统计逻辑完全符合「同一postingdate算1个帖子、按页面+月份分组计数」的要求。

内容的提问来源于stack exchange，提问作者Sql4Life