我使用 Pandas 作为数据库替代品，因为我有多个数据库（Oracle、SQL Server 等），并且我无法将命令序列转换为 SQL 等效项。
我在 DataFrame 中加载了一个表，其中包含一些列：
YEARMONTH, CLIENTCODE, SIZE, etc., etc.
在 SQL 中，计算每年不同客户的数量是：
SELECT count(distinct CLIENTCODE) FROM table GROUP BY YEARMONTH;
结果将是
201301 5000
201302 13245
我怎样才能在熊猫中做到这一点？
value_counts 可能是您正在寻找的答案：pandas.pydata.org/pandas-docs/stable/generated/…
我相信这就是你想要的：
table.groupby('YEARMONTH').CLIENTCODE.nunique()
例子：
In [2]: table
Out[2]:
CLIENTCODE YEARMONTH
0 1 201301
1 1 201301
2 2 201301
3 1 201302
4 2 201302
5 2 201302
6 3 201302
In [3]: table.groupby('YEARMONTH').CLIENTCODE.nunique()
Out[3]:
YEARMONTH
201301 2
201302 3
这是另一种方法，它更简单。假设您的数据框名称为 daat，列名称为 YEARMONTH：
daat.YEARMONTH.value_counts()
DISTINCT 要求！此外，它不包括 NaN 的计数！
有趣的是，len(unique()) 通常比 nunique() 快几倍 (3x-15x)。
.CLIENTCODE.apply(lambda x: len(x.unique()))，来自 here
apply 调用中。例如，df.groupby('YEARMONTH')['CLIENTCODE'].apply(lambda x: x.unique().shape[0])。
len(df['column'].unique()) 不需要 lambda 函数
Chen's 评论中得到了 TypeError: object of type 'method' has no len()，3novak's 为我工作。
我也在使用 nunique，但如果您必须使用 'min', 'max', 'count' or 'mean' 等聚合函数，这将非常有帮助。
df.groupby('YEARMONTH')['CLIENTCODE'].transform('nunique') #count(distinct)
df.groupby('YEARMONTH')['CLIENTCODE'].transform('min') #min
df.groupby('YEARMONTH')['CLIENTCODE'].transform('max') #max
df.groupby('YEARMONTH')['CLIENTCODE'].transform('mean') #average
df.groupby('YEARMONTH')['CLIENTCODE'].transform('count') #count
列的不同以及其他列上的聚合
要获取任何列的不同数量的值（在您的情况下为 CLIENTCODE），我们可以使用 nunique。我们可以在 agg 函数中将输入作为字典传递，以及其他列上的聚合：
grp_df = df.groupby('YEARMONTH').agg({'CLIENTCODE': ['nunique'],
'other_col_1': ['sum', 'count']})
# to flatten the multi-level columns
grp_df.columns = ["_".join(col).strip() for col in grp_df.columns.values]
# if you wish to reset the index
grp_df.reset_index(inplace=True)
grp_df = df.groupby('YEARMONTH').agg(CLIENTCODE_UNIQ_CNT = ('CLIENTCODE', 'nunique'), other_col_1_sum = ('other_col_1', 'sum'), other_col_1_cnt = ('other_col_1', 'count'))
使用 crosstab，这将返回比 groupby nunique 更多的信息：
pd.crosstab(df.YEARMONTH,df.CLIENTCODE)
Out[196]:
CLIENTCODE 1 2 3
YEARMONTH
201301 2 1 0
201302 1 2 1
稍作修改后，结果如下：
pd.crosstab(df.YEARMONTH,df.CLIENTCODE).ne(0).sum(1)
Out[197]:
YEARMONTH
201301 2
201302 3
dtype: int64
YEARMONTH 和 count。我也可以按降序设置计数吗？
这是一种在多列上计数不同的方法。让我们有一些数据：
data = {'CLIENT_CODE':[1,1,2,1,2,2,3],
'YEAR_MONTH':[201301,201301,201301,201302,201302,201302,201302],
'PRODUCT_CODE': [100,150,220,400,50,80,100]
}
table = pd.DataFrame(data)
table
CLIENT_CODE YEAR_MONTH PRODUCT_CODE
0 1 201301 100
1 1 201301 150
2 2 201301 220
3 1 201302 400
4 2 201302 50
5 2 201302 80
6 3 201302 100
现在，列出感兴趣的列并以稍微修改的语法使用 groupby：
columns = ['YEAR_MONTH', 'PRODUCT_CODE']
table[columns].groupby(table['CLIENT_CODE']).nunique()
我们获得：
YEAR_MONTH PRODUCT_CODE CLIENT_CODE
1 2 3
2 2 3
3 1 1
使用新的 Pandas 版本，很容易得到一个数据框：
unique_count = pd.groupby(['YEARMONTH'], as_index=False).agg(uniq_CLIENTCODE=('CLIENTCODE', pd.Series.count))
创建一个数据透视表并使用 nunique series 函数：
ID = [ 123, 123, 123, 456, 456, 456, 456, 789, 789]
domain = ['vk.com', 'vk.com', 'twitter.com', 'vk.com', 'facebook.com',
'vk.com', 'google.com', 'twitter.com', 'vk.com']
df = pd.DataFrame({'id':ID, 'domain':domain})
fp = pd.pivot_table(data=df, index='domain', aggfunc=pd.Series.nunique)
print(fp)
输出：
id
domain
facebook.com 1
google.com 1
twitter.com 2
vk.com 3
现在您还可以在 Python 中使用 dplyr 语法来执行此操作：
>>> from datar.all import f, tibble, group_by, summarise, n_distinct
>>>
>>> data = tibble(
... CLIENT_CODE=[1,1,2,1,2,2,3],
... YEAR_MONTH=[201301,201301,201301,201302,201302,201302,201302]
... )
>>>
>>> data >> group_by(f.YEAR_MONTH) >> summarise(n=n_distinct(f.CLIENT_CODE))
YEAR_MONTH n
<int64> <int64>
0 201301 2
1 201302 3
