利用Python统计连续登录N天或以上用户

在有些时候，我们需要统计连续登录N天或以上玩家，这里采用python通过分组排序、分组计数等步骤实现该功能，具体如下：

导入需要的库

import pandas as pd

import numpy as np

第一步，导入数据

原始数据是一份csv文件，我们用padas方法read_csv直接读取

df = pd.read_csv(r"C:\Users\Gdc\Documents\登录日志.csv")

#读取登录日志数据

这里的登录日志只有两个字段：@timestamp和rold_id。前者是用户登录的时间，后者是用户的ID，考虑到时间的格式，我们需要做简单处理去掉后面的时间保留日期。

第二步，数据预处理

数据预处理方面我们需要做的工作有三部分

时间只取日期，去掉时间部分

我们使用info方法可以发现，时间字段的格式是object，并非时间格式 image

但是我们需要统计的时间单位是以日为周期，故而这里可以先做简单的去掉时间部分的处理方式

采用字符串的split方法，按照‘ ’(空格)进行切片，取第一部分即可

df['@timestamp']=df['@timestamp'].str.split(' ').str[0]

#因为日期数据为时间格式，可以简单使用字符串按照空格切片后取第一部分

删除日志里重复的数据（同一天玩家可以登录多次，故而只需要保留一条即可）

我们看到上面处理过的数据，可以发现role_id为570837202的用户在1月8日存在多条记录，为方便后续计算，这里需要进行去重处理。

采取drop_duplicate方案即可保留删除重复数据只保留一条

df.drop_duplicates(inplace=True)

#因为玩家在某一天存在登录多次情况，这里可以用去重过滤掉多余数据

将时间字段列转化为时间格式

同样也是为了方便后续使用时间加减计算登录行为数，@timestamp字段需要调整为时间日期格式

采取to_datetime方法进行处理

df["@timestamp"] = pd.to_datetime(df["@timestamp"])

#将日期列转化为 时间格式

第三步，分组排序

分组排序是指将每个用户登录日期进行组内排序

采用groupby方法结合rank方法进行处理

df['辅助列'] = df["@timestamp"].groupby(df['role_id']).rank()

#分组排序

第四步，计算差值

这一步是辅助操作，使用第三步中的辅助列与用户登录日期做差值得到一个日期，若某用户某几列该值相同，则代表这几天属于连续登录

因为辅助列是float型，我们在做时间差的时候需要用到to_timedelta且unit='d'用来表示减去的是天数，这样获得的差值就会是一个日期

df['date_sub'] = df['@timestamp'] - pd.to_timedelta(df['辅助列'],unit='d')

#计算登录日期与组内排序的差值（是一个日期）

第五步，分组计数 

通过上一步，我们可以知道，计算每个用户date_sub列出现的次数即可算出该用户连续登录的天数

data = df.groupby(['role_id','date_sub']).count().reset_index()

#根据用户id和上一步计算的差值 进行分组计数

自此，我们计算出了每个用户连续登录天数

修改辅助列名称

data = data[['role_id','date_sub','辅助列']].rename(columns={'辅助列':'连续登录天数'})

#修改辅助列名称

第六步，计算每个用户连续登录最大天数

这里用到的是sort_values和first方法，对每个用户连续登录天数做组内排序（降序），再取第一个值即为该用户连续登录最大天数

data = data.sort_values(by='连续登录天数',ascending=False).groupby('role_id').first().reset_index()

#计算每个玩家连续登录最大天数

补充

当我们计算出每个用户在周期内的每个连续登录天数后，想计算连续登录N天或以上玩家清单就非常方便了，条件筛选即可。

思考问题

如何算出玩家连续登录最大天数对应的起止登录日期呢？

全部代码如下

import pandas as pd

import numpy as np

df = pd.read_csv(r"C:\Users\Gdc\Documents\登录日志.csv")

#读取登录日志数据

df['@timestamp']=df['@timestamp'].str.split(' ').str[0]

#因为日期数据为时间格式，可以简单使用字符串按照空格分列后取第一部分

df.drop_duplicates(inplace=True)

#因为玩家在某一天存在登录多次情况，这里可以用去重过滤掉多余数据

df["@timestamp"] = pd.to_datetime(df["@timestamp"])

#将日期列转化为 时间格式

df['辅助列'] = df["@timestamp"].groupby(df['role_id']).rank()

#分组排序

df['date_sub'] = df['@timestamp'] - pd.to_timedelta(df['辅助列'],unit='d')

#计算登录日期与组内排序的差值（是一个日期）

data = df.groupby(['role_id','date_sub']).count().reset_index()

#根据用户id和上一步计算的差值 进行分组计数

data = data[['role_id','date_sub','辅助列']].rename(columns={'辅助列':'连续登录天数'})

#修改辅助列名称

data = data.sort_values(by='连续登录天数',ascending=False).groupby('role_id').first().reset_index()

#计算每个玩家连续登录最大天数