求助：按人员、地点维度带时间条件的双列计数实现

嘿，我来帮你搞定这个带条件的计数聚合需求！下面我会针对几种常用的技术场景给出具体实现方案，你可以根据自己的工具栈来选：

场景1：用SQL实现（适合数据库存储的访问记录） #

假设你的访问记录存在数据库表visit_records中，包含字段：user_id（人员标识）、location（访问地点）、visit_time（访问时间）。你可以通过带条件的GROUP BY聚合来得到结果：

SELECT 
    user_id AS 人员,
    location AS 地点,
    COUNT(*) AS 访问次数
FROM visit_records
WHERE 
    user_id = 'A'  -- 替换成你要统计的特定人员ID/名称
    AND visit_time >= DATE_SUB(CURDATE(), INTERVAL 7 DAY)  -- 替换成你需要的天数，这里是7天内
GROUP BY user_id, location
ORDER BY 访问次数 DESC;

逻辑说明： #

• WHERE子句先过滤出目标人员，以及指定时间范围内的访问记录；
• GROUP BY user_id, location把数据按人员+地点分组；
• COUNT(*)统计每组的记录数，也就是该人员在这个地点的访问次数。

场景2：用Python Pandas实现（适合本地数据集） #

如果你的访问记录是本地的CSV/Excel文件，用Pandas处理会很方便：

import pandas as pd

# 1. 读取数据（假设是CSV文件，Excel用pd.read_excel）
df = pd.read_csv('visit_records.csv')

# 2. 确保时间列是datetime格式
df['visit_time'] = pd.to_datetime(df['visit_time'])

# 3. 设置你要统计的参数
target_user = 'A'  # 目标人员
days_range = 7     # 指定天数

# 4. 计算时间起始点（今日往前推days_range天）
start_date = pd.Timestamp.today() - pd.Timedelta(days=days_range)

# 5. 过滤数据并分组计数
result_df = df[
    (df['user_id'] == target_user) & 
    (df['visit_time'] >= start_date)
].groupby(['user_id', 'location']).size().reset_index(name='访问次数')

# 查看结果
print(result_df)

逻辑说明： #

• 先把时间列转为datetime类型，方便时间范围过滤；
• 用布尔索引筛选出目标人员和指定时间内的记录；
• groupby(...).size()统计每组的行数，也就是访问次数；
• reset_index把聚合后的结果转为规整的DataFrame格式。

场景3：用Excel实现（适合非代码用户） #

如果你习惯用Excel，有两种简单方法：

• 单个地点计数：用COUNTIFS函数，比如统计人员A7天内访问AA的次数：

  =COUNTIFS($A:$A, "A", $B:$B, "AA", $C:$C, ">="&TODAY()-7)
  

  （A列是人员，B列是地点，C列是访问时间）
• 批量统计所有地点：插入数据透视表，行字段选「地点」，值字段选「计数」，然后在筛选器里选目标人员，再对时间列设置日期范围筛选。

这样就能得到你想要的“人员A访问地点AA达4次，访问地点BB为1次”这类结果啦！

内容的提问来源于stack exchange，提问作者ian0411