在Pandas中，如何根据Group By 结果计算 Row Number

原文链接：http://www.tbk.ren/article/253.html?source=csdn

有的同学在处理自己的业务逻辑的时候，需要用到Row Number的方法，那么，什么是Row Number呢？

例如我们有下面的数据，第一列是用户的ID，第二列是用户的购买日期，现在如果我们需要判断用户是否重复购买，并且，每一次的购买，下一次的购买时间间隔是多少呢？

id,date

1,20150601

1,20150603

2,20150601

2,20150605

2,20150610

3,20150503

3,20150603

4,20150601

如果我们可以处理称为下面的数据，那么这个问题就完美解决了：

   id    date_x      date_y

0   1  20150601  20150603.0

1   1  20150603         NaN

2   2  20150601  20150605.0

3   2  20150605  20150610.0

4   2  20150610         NaN

5   3  20150503  20150603.0

6   3  20150603         NaN

7   4  20150601         NaN

date_y就是下一次的购买时间，date_y-date_x就是前后两次的购买间隔。

下面我们来看代码：

import pandas;

data = pandas.read_csv("C:\\data\\test.csv")

#大家注意，一定要先排序

data = data.sort(['id', 'date'], ascending=[1, 1])

#使用groupby方法，然后继续调用rank方法，即可获取到每一个数据在原始数据的排序。

rnColumn = data.groupby('id').rank(method='min')

data['rn'] = rnColumn;

data

Out[24]: 

   id      date   rn

0   1  20150601  1.0

1   1  20150603  2.0

2   2  20150601  1.0

3   2  20150605  2.0

4   2  20150610  3.0

5   3  20150503  1.0

6   3  20150603  2.0

7   4  20150601  1.0

在这里，我们可以看到，所谓的row Number，就是指在指定的分组中，它相对于非分组列，也就是date的排序号。

因为，我们希望得到某行对下一行的连接，因此，下一行，减一，就可以和上一行对应上了。

data['rn_1'] = rnColumn-1

#how参数，设置保留所有左边的表的输入。

data.merge(data, how='left', left_on=['id', 'rn'], right_on=['id', 'rn_1'])

这样子，我们就可以得到以下的结果了，我们通过筛选列，就可以得到我们的目标数据了。

data.merge(data, how='left', left_on=['id', 'rn'], right_on=['id', 'rn_1'])

Out[21]: 

   id    date_x  rn_x  rn_1_x      date_y  rn_y  rn_1_y

0   1  20150601   1.0     0.0  20150603.0   2.0     1.0

1   1  20150603   2.0     1.0         NaN   NaN     NaN

2   2  20150601   1.0     0.0  20150605.0   2.0     1.0

3   2  20150605   2.0     1.0  20150610.0   3.0     2.0

4   2  20150610   3.0     2.0         NaN   NaN     NaN

5   3  20150503   1.0     0.0  20150603.0   2.0     1.0

6   3  20150603   2.0     1.0         NaN   NaN     NaN

7   4  20150601   1.0     0.0         NaN   NaN     NaN