在 Python 中对没有 pandas 的列进行分组并执行计数答案

【问题标题】：Grouping by and performing count on columns WITHOUT pandas in Python在 Python 中对没有 pandas 的列进行分组并执行计数
【发布时间】：2021-06-14 15:41:21
【问题描述】：

我有一个包含多个列的数据框，包括流平台的 family_ID 和 user_ID。我要做的是在这个数据框中找到哪些家庭 ID 与他们关联的唯一用户最多 . 用于此的 SQL 代码是：

SELECT   TOP 5 family_id,
         Count(distinct user_id) AS user_count
FROM     log_edit
WHERE    family_id <> ''
GROUP BY family_id
ORDER BY user_count DESC;

使用 pandas 我可以得到相同的结果：

df.groupby('family_id')['user_id'].nunique().nlargest(5)

我的问题是，我怎样才能在不使用 Pandas 或 SQL 的情况下获得相同的结果？我可以使用 Pandas 导入 .csv，但必须在没有它的情况下进行分析。处理此案的最佳方法是什么？

如果它是一个数组，我假设结果类似于[1,2,3,4,5] [9,7,7,7,5]，其中 1->5 是家庭 id，另一个数组是注册到他们的用户 id 的数量（按降序排序，限制为 5 个结果)

谢谢！

【问题讨论】：

我不清楚你在问什么。你有一个 csv(?) 但不想使用 SQL 或 pandas，但你没有指定你确实想如何解决这个问题。
@HenryEcker 是的，我有一个 csv 文件，除了读取 csv 之外我不能使用 pandas，但也许 numpy 来分析它。我不完全确定如何自己解决这样的问题，这就是我在这里问这个问题的原因。

标签： python sql pandas numpy

【解决方案1】：

由于您将numpy 放在标签中，我假设您可能想要使用它。在这种情况下，您可以使用np.unique：

import numpy as np

family_id = [9,7,7,7,5,5]
top_k = 2

unique_family_ids, counts = np.unique(family_id, return_counts=True)

# Use - to sort from largest to smallest
sort_idx = np.argsort(-counts)

for idx in sort_idx[:top_k]:
    print(unique_family_ids[idx], 'has', counts[idx], 'unique user_id')

如果您想像在 SQL 查询中那样处理缺失的 id，您必须知道它们是如何精确编码的...

【讨论】：

感谢您的回复！只是我理解正确，由于未导入另一列中的 user_id，它是如何工作的？另外，如何转换包含 11 列的数据框，包括 user_id 和 family_id 以适应此代码？
对不起，我可能有点草率，我只是假设每个用户都有一个唯一的 user_id；如果是这样，您根本不需要使用它（您不需要知道特定的用户 id 就知道他们有多少）。如果存在具有相同用户 ID 的重复行（假设它们定义明确，即相同的 user_id 始终映射到相同的 family_id），您首先需要丢弃重复的行，例如在执行上述代码中的任何其他操作之前，先执行_, unique_id = np.unique(user_id, return_index=True)，然后执行family_id = family_id[unique_id]
至于其他列，你根本不需要使用它们......
在此评论中尝试您的第一个代码时出现此错误：NameError: name 'user_id' is not defined。如何将它连接到数组来定义它？