在熊猫一起买的最受欢迎的物品组合

Question

我有一个df：

product_id          order_id            category            qty_sold        sale_value
table_1             1                   Tables              1               999
chair_1             1                   Chairs              4               1000
table_1             2                   Tables              1               999
chair_1             2                   Chairs              2               500
table_2             3                   Tables              1               999
chair_1             3                   Chairs              4               1000
table_2             4                   Tables              1               999
chair_2             4                   Chairs              8               2500
table_1             5                   Tables              1               999
chair_1             5                   Chairs              2               500

是桌椅订单数据，每行有一个order_id和一个product_id。我试图回答哪些是最畅销的桌子和最畅销的椅子的最流行组合。 因此，基本上，我会将前 50 个 product_id 的表分配给每个表 product_id 我将分配与该表一起购买的前 n 个 product_ids 的椅子。 用那个购买意味着它共享相同的order_id。

我尝试创建的所需输出如下所示：

df_tables - qty_sold 最受欢迎的表格

product_id              qty_sold            chair_product_id            chairs_sold         times_sold         
table_1                 3                   chair_1                     6                   2                        
                                            chair_3                     2                   1
                            



table_2                 2                   chair_1                     4                   1
                                            chair_2                     8                   1

通过匹配order_id 并计算每个组合一起出现的次数，将购买的tables 和chairs 简单地组合在一起。

我试过了：

# Getting the list of most popular table product_ids

top_tables = df[df.category == 'Tables'] \
                .groupby('product_id').sum().reset_index() \
                .sort_values('qty_sold', ascending = False) \
                .product_id.to_list()       

most_popular_table = df[df.product_id == top_tables[0]].order_id.unique().tolist()

# getting top chairs bought with most popular table
df[(df.order_id.isin(most_popular_table)) & (df.category == 'Chairs')] \
               .groupby('product_id').agg({'qty_ordered' : sum}) \
               .sort_values('qty_ordered', ascending = False).reset_index()

哪个retuns（来自真实数据的样本）

product_id      qty_ordered
4384            661
9974            247
8310            213
4032            166
9891            138

但是我想不出一种方法来创建我上面提到的每个前 50 名桌子的所需输出，然后是我检查顶级椅子和桌子的第二个输出。我想知道是否有一种巧妙的方法可以获得我想要的结构。

Answer 1

为桌椅创建一个DataFrame（添加列前缀以区分它们），然后将它们与order_id 连接起来作为索引。将整体按product_id 分组并聚合得到售出的商品数量：

df_chairs = df[df['category']=='Chairs'].set_index('order_id').drop(['category', 'sale_value'], axis=1).add_prefix('chair_')
df_tables = df[df['category']=='Tables'].set_index('order_id').drop(['category', 'sale_value'], axis=1).add_prefix('table_')

df = df_tables.join(df_chairs)

df_out = df.groupby(['table_product_id', 'chair_product_id']).agg(sum)
df_out['times_sold'] = df.groupby(['table_product_id', 'chair_product_id']).size()
print(df_out)

输出：

                                   table_qty_sold  chair_qty_sold  times_sold
table_product_id chair_product_id                                            
table_1          chair_1                        3               8           3
table_2          chair_1                        1               4           1
                 chair_2                        1               8           1