Как посчитать пользователей, попавших в две группы из двух?

Question

Пробую решать разные задачки в качестве самообразования.

Есть DataFrame:

orders = pd.read_csv('orders.csv')

Он содержит столбцы:

print(orders.head())

   transaction_id  visitor_id        date  revenue group
0      3667963787  3312258926  2019-08-15     1650     B
1      2804400009  3642806036  2019-08-15      730     B
2      2961555356  4069496402  2019-08-15      400     A
3      3797467345  1196621759  2019-08-15     9759     B
4      2282983706  2322279887  2019-08-15     2308     B

transaction_id — идентификатор заказа;
visitor_id — идентификатор пользователя, совершившего заказ;
date — дата, когда был совершён заказ;
revenue — выручка заказа;
group — группа A/B-теста, в которую попал заказ.

Нужно проверить сколько пользователей попали одновременно в обе группы и затем удалить их из таблицы.

Проблема начинается с поиска.

Попробовано:

создание срезов по группам и их объединение. Не работает.
группировка по 'visitor_id' и 'group' с поиском количества заказов. Но дальше с этой таблицей не получается что-либо сделать.

Затуп конкретный. Очень прошу помочь. Для меня это в новинку.

Спасибо.

Answer 1

После того как вы сделали группировку по 'visitor_id' и 'group', вы можете добавить соответствующую колонку в датафрейм и затем отобрать по этому признаку. Покажу на следующем примере

df = pd.DataFrame(data=[[1,'A'], [1, 'B'], [2, 'A'], [2, 'B'], [3, 'A'], [4, 'B']], columns=['id','c'])

Теперь группируем, как это делали вы

countGroups = df.groupby('id')['c'].nunique()

Мерджим, обратите внимание, что это повлияло на названия колонок

df = df.merge(countGroups, on=["id", "id"])

А теперь мы делаем обратную операцию, мы не удаляем, а выбираем те колонки, которые нам нужны по условию

df[df['c_y'] == 1]

Если вас в образовательных целях интересует как именно удалять по условию, то похожий ответ нашла тут, однако мне показалось, что подход выше проще.

При необходимости можно будет удалить лишний столбец и переименовать колонки.

Answer 2

С двумя группами это сделать довольно просто. Если у вас есть датафрейм df, например:

   id group
0   1     a
1   2     a
2   3     b
3   3     a
4   2     b
5   1     a

то сделать можно так:

mask = df.loc[df["group"]=="a", "id"].isin(df.loc[df["group"]=="b", "id"])
res = df.drop(mask[mask].index)

тогда res будет:

   id group
0   1     a
2   3     b
4   2     b
5   1     a

Answer 3

Проверить, сколько пользователей попали одновременно в обе группы можно так:

orders.groupby('visitor_id').agg({'group' : 'nunique'}).query('group>1').count()

Далее создаем список пользователей с уникальными visitor_id:

double_users = orders.groupby('visitor_id').agg({'group' : 'nunique'})
.reset_index().query('group>1')['visitor_id'].unique()

И удаляем этих пользователей из таблицы orders:

orders = orders.query('visitor_id not in @double_users')

БЛОГ НА HUSL

Как посчитать пользователей, попавших в две группы из двух?

Ответы (3 шт):