Панды перебирают массивы с помощью groupby
Я загрузил CSV с 3 столбцами: метка времени, идентификатор пользователя и идентификатор кампании. У каждого пользователя есть> 1 идентификатор кампании с отметкой времени. Исходные данные выглядят следующим образом:
date user_id ad_campaign
0 2018-01-10 0:21:09 151312395 Search - Special
1 2018-01-10 0:21:19 151312395 Display - Branding
2 2018-01-10 0:21:32 151312395 Display - Branding
3 2018-01-10 0:21:09 151312395 Search - Special
4 2018-01-10 0:21:19 151312395 Display - Branding
5 2018-01-10 0:21:32 151312395 Display - Branding
6 2018-01-30 19:18:37 158490415 Display
7 2018-01-30 19:19:03 158490415 Display
8 2018-01-31 1:36:12 158490415 Branding
Моя цель - сопоставить порядок различных идентификаторов кампаний для каждого пользователя, чтобы проанализировать, какая кампания часто идет первой, второй, последней и т. д. Я удалил дубликаты, заказал метку времени, сгруппировал по идентификатору пользователя и поместил идентификатор кампании для каждого пользователя в массив. Теперь я хочу иметь цикл, который выполняет итерацию по каждому пользовательскому массиву, а затем назначает каждой кампании для каждого пользователя «место», например 1-е, 2-е, 3-е (шаг после этого будет заключаться в присвоении оценок каждой кампании в соответствии с тем, где в userjourney они есть, чтобы прояснить мою цель). Вот код, который у меня есть сейчас:
import pandas as pd
import numpy as np
import datetime
import os
import matplotlib.pyplot as plt
columnnames = ['date','user_id', 'ad_campaign']
df=pd.read_csv(r'C:\Users\L\Desktop\Data.csv' ,
sep='\t',names = columnnames, usecols=[0,1,4],
parse_dates=True)
df=df.drop_duplicates(subset=['user_id','date', 'ad_campaign'])
df=df.set_index('date').sort_index()
df=(df.groupby(['user_id'])['ad_campaign'].apply(list))
print(df)
Теперь данные выглядят следующим образом:
user_id
151312395 [Search - Special, Display - Branding, Display...
158490415 [Display, Display, Branding, Display, Display,...
176204518 [Display, Display, Display, Display, Pathfinde...
182053572 [Branding, Branding, Branding, Display]
Я пробовал использовать цикл с iterrows, itertuples, itervalues и т. д., Но я думаю, что мне что-то не хватает в том, как я храню эти данные, потому что я продолжаю получать разные ошибки. Какой цикл мне следует использовать?
Конечно, это нормально? (Фактические данные CSV имеют много столбцов, это то, что я читал)
Спасибо, очень полезно.
Ответы 1
Я сделаю тебе лучше. Давайте откажемся от промежуточного представления столбцов списков (с ним действительно сложно работать и он дает нулевой выигрыш в производительности). Вместо этого пометьте каждую кампанию своим уникальным порядковым номером (это делается с помощью groupby + cumcount), а затем вы можете сделать что-нибудь простое, например сгруппировать mean по кампаниям.
df = df.sort_values(by='date')
(df.groupby(['user_id'], sort=False)
.cumcount()
.groupby(df.ad_campaign)
.mean()
.sort_values(ascending=True)
)
ad_campaign
Display 0.5
Search - Special 0.5
Branding 2.0
Display - Branding 3.5
dtype: float64
Спасибо! Я пробовал использовать также min () и max () вместо mean (), который также работает. Но можете ли вы помочь мне понять, как интерпретировать эти три? Я просто пытаюсь понять, потому что мой следующий шаг - это более сложная модель, приписывающая 40% первой кампании в каждой пользовательской последовательности, 40% последней кампании в этой пользовательской последовательности и 20% деление между кампаниями в середине (попытка различных маркетинговых моделей атрибуции).
@LailaVanMents Я не уверен, что min или max имеют больше смысла в этом контексте, чем среднее, которое в основном усредняет позиции кампании во времени для каждого идентификатора пользователя. Основываясь на вашем объяснении, вы можете вместо этого рассмотреть возможность выполнения средневзвешенного значения, что может быть немного сложнее. Вы можете задать для этого новый вопрос, но это возможно.
Не могли бы вы вставить первые 5-10 строк
C:\Users\L\Desktop\Attribution Data 4.csvв качестве текста в свой вопрос?