如何在python中的组级别生成累积唯一计数？

Question

我在以下表格的数据框中有一些医院就诊医疗保健数据：

record_id	client_id	date_of_encounter	hospital_id
1	MK456	2014-01-01	01J
2	JJ103	2016-04-01	02J
3	MK456	2014-02-26	01J
4	JJ103	2016-05-01	02H
5	MK456	2014-03-01	02H
6	JJ103	2016-06-06	02J

我想创建一个列hospital_count，它是每个客户在date_of_counter 访问的唯一医院的累积计数。我已经按client_id 和
date_of_counter 排序。结果转换将是

record_id	client_id	date_of_encounter	hospital_id	hospital_count
1	MK456	2014-01-01	01J	1
3	MK456	2014-02-26	01J	1
5	MK456	2014-03-01	02H	2
2	JJ103	2016-04-01	02J	1
4	JJ103	2016-05-01	02H	2
6	JJ103	2016-06-06	02J	2

有些人建议使用groupby 和cumsum() 的组合，但我不太确定如何使用？

Answer 1

使用GoupBy.cumcount

每位客户就诊的不同医院数量的累计计数

import pandas as pd

df = pd.DataFrame({
  'record_id': list(range(1,7)),
  'client_id':['MK', 'JJ', 'MK', 'JJ', 'MK', 'JJ'],
  'date': [20140101, 20160401,20140226,20160501,20140301,20160606],
  'hospital': ['1j', '2j', '1j', '2h', '2h', '2j']
})

df.sort_values(by=['client_id', 'date'], inplace=True)

df['hospital_count'] = df.drop_duplicates(subset=['client_id', 'hospital']
  ).groupby('client_id').cumcount() + 1

df.fillna(method='ffill', inplace=True)

print(df)
#    record_id client_id      date hospital  hospital_count
# 1          2        JJ  20160401       2j             1.0
# 3          4        JJ  20160501       2h             2.0
# 5          6        JJ  20160606       2j             2.0
# 0          1        MK  20140101       1j             1.0
# 2          3        MK  20140226       1j             1.0
# 4          5        MK  20140301       2h             2.0

解释：我们使用drop_duplicates删除同一客户到同一家医院的连续访问；然后我们可以使用groupby 和cumcount 简单地计算每个客户的访问量。但是，这会在被删除的行中留下NaN 值；我们使用fillna 填充这些值。

每位客户到每家医院的累计次数

import pandas as pd

df = pd.DataFrame({
  'record_id': list(range(1,7)),
  'client_id':['MK', 'JJ', 'MK', 'JJ', 'MK', 'JJ'],
  'date': [20140101, 20160401,20140226,20160501,20140301,20160606],
  'hospital': ['1j', '2j', '1j', '2h', '2h', '2j']
})

df['hospital_count'] = df.sort_values(by=['client_id', 'hospital', 'date']
  ).groupby(['client_id', 'hospital']
  ).cumcount() + 1

print(df)
#    record_id client_id      date hospital  hospital_count
# 0          1        MK  20140101       1j               1
# 1          2        JJ  20160401       2j               1
# 2          3        MK  20140226       1j               2
# 3          4        JJ  20160501       2h               1
# 4          5        MK  20140301       2h               1
# 5          6        JJ  20160606       2j               2