如何统计两个DataFrame中用户对应日期的条目出现次数？

刚好碰到过类似的大数据量匹配统计场景，用map确实容易踩用户ID不匹配、性能拉胯的坑，给你一套适合15万+行数据的高效方案，步骤清晰还能避免各种问题：

第一步：先统一日期格式（关键！） #

首先得把两个DataFrame里的日期字符串转成datetime类型，不然字符串格式稍有差异（比如斜杠和横杠混用）就会匹配失败，而且后续的分组聚合也更高效：

import pandas as pd

# 转换日期列类型，确保匹配精准
df1['Last_used'] = pd.to_datetime(df1['Last_used'])
df2['occurrence'] = pd.to_datetime(df2['occurrence'])

第二步：预统计df2的用户每日出现次数 #

先对df2按「用户+日期」分组计数，提前算出每个用户每天的条目数，这一步是向量级操作，比循环快N倍：

# 统计每个用户每天的出现次数，生成中间结果
daily_occurrences = df2.groupby(['user', 'occurrence']).size().reset_index(name='occurrences_that_day')

第三步：合并df1和预统计结果 #

用merge做左连接，确保df1里的所有用户都能保留，即使df2里没有对应日期的记录（这时候次数会填充为0）：

# 按用户和日期精准匹配，合并两个DataFrame
result = df1.merge(
    daily_occurrences,
    left_on=['user', 'Last_used'],
    right_on=['user', 'occurrence'],
    how='left'
).drop(columns=['occurrence'])  # 删掉多余的occurrence列

# 把空值填充为0，并转成整数类型
result['occurrences_that_day'] = result['occurrences_that_day'].fillna(0).astype(int)

用你的示例数据测试的结果 #

代入你给的示例数据后，最终的result就是你要的预期输出：

为啥这个方案比map靠谱？ #

• 性能拉满：groupby和merge都是pandas底层优化过的操作，处理15万+行数据完全没压力，比循环或map快几个数量级
• 避免ID不匹配问题：左连接会完整保留df1的所有用户，不会因为df2里没有该用户就丢失数据，缺失的次数自动填0
• 日期匹配精准：转成datetime类型后，不管原始字符串格式是啥，都能正确识别匹配，不会出现字符串不相等导致的统计错误

内容的提问来源于stack exchange，提问作者Sam L