在Python中基于另一变量统计分组变量数量的方法

嘿，我来帮你搞定这个统计问题！你要的是同时满足分组条件和转化条件的用户数量（也就是两个集合的交集计数），之前的方法要么算成了并集，要么groupby的用法没到位，下面给你几个最优的实现方式，分两种常见场景来说：

场景1：所有数据在同一个DataFrame里 #

假设你的数据存在一个叫df的DataFrame中，包含group列（取值为control/treatment）和is_convert列（标记用户是否转化，比如布尔值True/False或者数值1/0）。

方法1：直接筛选计数（最直观） #

直接用布尔索引筛选出同时满足两个条件的行，然后统计数量：

# 统计control组且转化的用户数
control_convert_count = len(df[(df['group'] == 'control') & df['is_convert']])

# 统计treatment组且转化的用户数
treatment_convert_count = len(df[(df['group'] == 'treatment') & df['is_convert']])

方法2：groupby聚合（一次统计两组） #

先筛选出所有转化的用户，再按分组聚合计数，一次得到两组结果：

# 只保留转化用户，按group分组统计user_id的数量
convert_group_counts = df[df['is_convert']].groupby('group')['user_id'].count()

# 提取对应分组的数量，没有的话默认0（避免KeyError）
control_convert_count = convert_group_counts.get('control', 0)
treatment_convert_count = convert_group_counts.get('treatment', 0)

方法3：交叉表统计（更清晰展示整体情况） #

用pd.crosstab生成分组和转化状态的交叉统计表，能直观看到所有组合的数量：

import pandas as pd

cross_table = pd.crosstab(df['group'], df['is_convert'])
# 假设is_convert为True代表转化，提取对应值
control_convert_count = cross_table.loc['control', True]
treatment_convert_count = cross_table.loc['treatment', True]

场景2：分组数据和转化数据是两个独立的表 #

如果control、treatment是单独的表，convert是另一个包含所有转化用户ID的表，推荐用集合交集来统计，效率很高：

# 把各组的user_id转成集合
control_user_set = set(control['user_id'])
treatment_user_set = set(treatment['user_id'])
convert_user_set = set(convert['user_id'])

# 求交集的长度就是同时满足两个条件的用户数
control_convert_count = len(control_user_set & convert_user_set)
treatment_convert_count = len(treatment_user_set & convert_user_set)

为什么你之前的方法不对？ #

你之前用control.user_id.count() + convert.user_id.count()，这是把control组总人数和转化组总人数相加，算的是两个集合的并集（还重复计算了同时属于两组的用户），而我们需要的是交集——也就是既在control组又在转化组的用户数，这完全是两个概念哦～

内容的提问来源于stack exchange，提问作者EP31121PJ