如何使用Python在分组维度计算累计唯一值计数？

核心逻辑 #

因为数据已经提前按client_id、date_of_encounter升序排序，我们只需要对同一客户的同一医院首次出现的记录做标记，再对标记按客户分组累加，即可得到截至当前日期的累计唯一医院数量。

操作步骤 #

• 第一步：生成首次就诊标记
  调用duplicated()方法识别同一客户同一医院的重复记录，取反得到首次就诊标记：首次出现为True（对应数值1），重复出现为False（对应数值0）
• 第二步：按客户分组累加标记值
  对标记列按client_id分组后调用cumsum()累加，直接得到目标列hospital_count

代码示例 #

# 方法1：分步实现，可读性更高
# 生成首次就诊标记列
df['first_visit'] = ~df.duplicated(subset=['client_id', 'hospital_id'])
# 分组累加得到累计唯一医院数
df['hospital_count'] = df.groupby('client_id')['first_visit'].cumsum()
# 删除中间标记列（可选）
df.drop(columns='first_visit', inplace=True)

# 方法2：单行实现，无需生成中间列
df['hospital_count'] = (~df.duplicated(['client_id', 'hospital_id'])).groupby(df['client_id']).cumsum()

效果验证 #

如果你的输入数据是如下结构：

输出的hospital_count列会是[1,2,2,1]，完全符合累计唯一统计的要求。

内容的提问来源于stack exchange，提问作者Mazil_tov998