如何从Pandas DataFrame中提取并分析客户访问链

本教程详细介绍了如何利用Pandas库从配送数据中提取并统计客户访问链。通过对数据进行排序、智能去重、分组聚合以及计数，可以有效地识别出在不同配送批次（SortieNumber）中重复出现的客户访问顺序模式，从而深入理解配送行为。

在物流配送或客户服务场景中，我们经常需要分析客户的访问顺序模式。例如，一个配送员在一次配送任务（Sortie）中，是否总是按照相同的客户顺序进行派送？识别这些重复的客户访问链对于优化路线、理解客户行为或评估配送效率至关重要。本文将指导您如何使用Pandas处理这类问题，从原始配送数据中提取并统计这些客户访问链。

数据准备与理解

假设我们有一个Pandas DataFrame，其中包含了配送人员的配送信息。这个DataFrame包含以下核心列：

• DateTime: 配送时间，用于确定客户访问的先后顺序。
• SortieNumber: 配送批次号，标识一次独立的配送任务。
• CustomerName: 客户名称。
• ProductCode: 配送的产品代码（在此分析中不关心）。

我们的目标是找出在每个SortieNumber中，客户的访问顺序（即客户链），并统计每种客户链出现的次数。产品代码在此分析中不重要，我们只关注客户的访问顺序。

以下是示例数据结构：

   DateTime  SortieNumber CustomerName  ProductCode
0 01/01/2023 09:00:00             1         Josh          1
1 01/01/2023 09:10:00             1        Alice          2
2 01/01/2023 09:15:00             1       Robert          2
3 01/01/2023 12:00:00             2         Anna          1
4 01/01/2023 12:00:10             2         Anna          3
5 01/01/2023 12:15:00             2       Robert          3
6 01/01/2023 15:00:00             3         Josh          4
7 01/01/2023 15:05:10             3        Alice          3
8 01/01/2023 15:15:00             3       Robert          1
9 01/01/2023 15:30:10             3       Robert          2
10 01/01/2023 15:35:15             3       Robert          3

从上述数据中，我们期望得到类似“Josh-Alice-Robert”这样的客户链在3次配送中出现了2次，“Anna-Robert”出现了1次。

核心逻辑：提取客户链

为了实现上述目标，我们将采用以下步骤：

步骤一：数据排序

首先，确保数据按照SortieNumber和DateTime进行升序排列。这是构建正确客户访问顺序的基础。

df_sorted = df.sort_values(by=['SortieNumber', 'DateTime'])

步骤二：去除连续重复客户

在同一个SortieNumber中，如果一个客户被连续访问多次（例如，Anna-Anna或Robert-Robert-Robert），我们通常只希望在客户链中记录一次。这是因为我们关心的是客户访问的顺序，而不是每个客户被访问了多少次。为了实现这一点，我们需要过滤掉那些SortieNumber和CustomerName都与上一行完全相同的记录。

使用df[['SortieNumber', 'CustomerName']].ne(df[['SortieNumber', 'CustomerName']].shift()).any(axis=1)是一种健壮的方法：

• df[['SortieNumber', 'CustomerName']].shift(): 获取前一行的SortieNumber和CustomerName。
• .ne(): 比较当前行与前一行是否不相等。
• .any(axis=1): 如果SortieNumber或CustomerName中的任意一个与前一行不相等，则返回True。这意味着要么是一个新的配送批次开始了，要么是同一批次中访问了一个新的客户。只有当两者都相等时，才返回False，从而过滤掉连续重复的客户条目。

df_filtered = df_sorted.loc[lambda d: d[['SortieNumber', 'CustomerName']]
                                     .ne(d[['SortieNumber', 'CustomerName']].shift())
                                     .any(axis=1)]

经过这一步，像Anna-Anna这样的连续重复项会被处理为Anna，而Josh-Alice-Robert-Robert-Robert会被处理为Josh-Alice-Robert。但如果客户是非连续重复的，例如Josh-Alice-Robert-Alice，则会被保留为完整的链。

步骤三：构建客户链

现在，我们按SortieNumber对过滤后的数据进行分组，并使用agg('-'.join)将每个组内的CustomerName连接成一个以连字符分隔的字符串，形成客户链。

customer_chains = df_filtered.groupby('SortieNumber')['CustomerName'].agg('-'.join)

步骤四：统计客户链出现次数

最后，使用value_counts()方法统计每种唯一客户链出现的次数。

chain_counts = customer_chains.value_counts()

步骤五：计算比例（可选）

如果您想了解每种客户链占总配送批次的比例，可以在value_counts()中传入normalize=True参数。

chain_proportions = customer_chains.value_counts(normalize=True)

完整代码示例

将上述步骤整合，形成完整的Python代码：

import pandas as pd
from io import StringIO

# 示例数据
data = """DateTime,SortieNumber,CustomerName,ProductCode
01/01/2023 09:00:00,1,Josh,001
01/01/2023 09:10:00,1,Alice,002
01/01/2023 09:15:00,1,Robert,002
01/01/2023 12:00:00,2,Anna,001
01/01/2023 12:00:10,2,Anna,003
01/01/2023 12:15:00,2,Robert,003
01/01/2023 15:00:00,3,Josh,004
01/01/2023 15:05:10,3,Alice,003
01/01/2023 15:15:00,3,Robert,001
01/01/2023 15:30:10,3,Robert,002
01/01/2023 15:35:15,3,Robert,003
"""

df = pd.read_csv(StringIO(data))
# 确保DateTime列为日期时间类型，以便正确排序
df['DateTime'] = pd.to_datetime(df['DateTime'])

# 提取客户链并统计出现次数
chain_analysis_results = (df.sort_values(by=['SortieNumber', 'DateTime'])
                            .loc[lambda d: d[['SortieNumber', 'CustomerName']]
                                          .ne(d[['SortieNumber', 'CustomerName']].shift())
                                          .any(axis=1)]
                            .groupby('SortieNumber')['CustomerName'].agg('-'.join)
                            .value_counts()
                           )

print("客户链出现次数：")
print(chain_analysis_results)

# 计算客户链出现的比例
chain_proportion_results = (df.sort_values(by=['SortieNumber', 'DateTime'])
                               .loc[lambda d: d[['SortieNumber', 'CustomerName']]
                                             .ne(d[['SortieNumber', 'CustomerName']].shift())
                                             .any(axis=1)]
                               .groupby('SortieNumber')['CustomerName'].agg('-'.join)
                               .value_counts(normalize=True)
                              )

print("\n客户链出现比例：")
print(chain_proportion_results)

输出结果：

客户链出现次数：
CustomerName
Josh-Alice-Robert    2
Anna-Robert          1
Name: count, dtype: int64

客户链出现比例：
CustomerName
Josh-Alice-Robert    0.666667
Anna-Robert          0.333333
Name: proportion, dtype: float64

注意事项与最佳实践

1. 数据类型与排序： 确保时间戳列被正确解析为Pandas的datetime类型，这是正确排序和确定顺序的关键。
2. 去重逻辑的选择：
   • 本文采用的ne(d.shift()).any(axis=1)方法是处理连续重复客户的推荐方式，它确保了在同一SortieNumber内，只有当客户名称发生变化时，才计入新的链条元素。这忠实地反映了客户访问的实际顺序。
   • 如果使用drop_duplicates(['SortieNumber', 'CustomerName'])，它会移除同一SortieNumber中所有后续出现的相同客户，即使这些出现不是连续的。例如，如果链是Josh-Alice-Robert-Alice，drop_duplicates会将其简化为Josh-Alice-Robert，这可能与您想要保留完整顺序的需求不符。因此，请根据您的具体业务需求选择合适的去重策略。
3. **性能考虑

以上就是如何从Pandas DataFrame中提取并分析客户访问链的详细内容，更多请关注php中文网其它相关文章！