如何在Pandas中按日期统计指定ID列表的数量？

嘿，这个场景太常见了！你完全没必要先对整个DataFrame做groupby再过滤——那样既浪费算力（毕竟你只关心少数ID），还得额外处理不需要的结果。直接先过滤出目标ID的数据，再做分组统计，一步到位效率更高。

下面给你两种常用的实现方式，按需选择：

方法1：直接过滤+分组统计（最简洁高效） #

先把DataFrame中属于目标ID列表的行筛选出来，再按「日期+ID」分组计数：

import pandas as pd

# 假设你的DataFrame叫df，包含列'date'（日期）和'id'（ID）
# 目标ID列表示例：target_ids = ['A', 'C', 'E']

# 第一步：过滤出仅包含目标ID的行
filtered_df = df[df['id'].isin(target_ids)]

# 第二步：按日期和ID分组，统计出现次数
count_result = filtered_df.groupby(['date', 'id']).size()

# 如果需要转成更易读的宽表形式，用unstack()补全缺失值为0
count_result_unstacked = count_result.unstack(fill_value=0)

• size() 会统计每组的行数（也就是该ID在当天的出现次数）；如果你的列存在缺失值，也可以用count()统计非空值数量，根据数据情况选择。
• 这种方法的核心优势是只处理你需要的数据，在大DataFrame上的性能会比先groupby再过滤好很多。

方法2：保留所有日期+目标ID（包括出现次数为0的情况） #

如果需要确保每个目标ID在每一个日期都有记录（哪怕当天没出现，次数显示0），可以用重新索引的方式补全完整组合：

# 先按方法1得到基础统计结果
filtered_count = df[df['id'].isin(target_ids)].groupby(['date', 'id']).size()

# 生成所有日期+目标ID的完整组合索引，重新对齐并填充0
full_dates = df['date'].unique()
full_index = pd.MultiIndex.from_product([full_dates, target_ids], names=['date', 'id'])
full_count_result = filtered_count.reindex(full_index, fill_value=0)

这样得到的结果会包含所有日期和目标ID的组合，没有出现的ID对应日期的次数自动填充为0，适合需要完整时间序列统计的场景。

额外小提示 #

• 如果你的日期列是字符串类型，记得先转成datetime格式：df['date'] = pd.to_datetime(df['date'])，避免分组时因为格式问题出错。
• 哪怕目标ID列表规模不小，isin()的性能依然很可靠，Pandas对这个操作做了专门优化，不用担心效率问题。

内容的提问来源于stack exchange，提问作者FunnyChef