如何计算每个客户包含超过 2 个订单的数据框中的第一个订单和第二个订单之间的平均天数？

Question

我有一个如下的数据框：

  id_cliente    id_ordine data_ordine id_medium

0  madinside  IML-0042758  2016-08-23   1190408

1  lisbeth19  IML-0071225  2017-02-26   1205650

2  lisbeth19  IML-0072944  2017-03-15   1207056

3  lisbeth19  IML-0077676  2017-05-12   1211395

4  lisbeth19  IML-0077676  2017-05-12   1207056

5  madinside  IML-0094979  2017-09-29   1222195

6  lisbeth19  IML-0099675  2017-11-15   1211446

7  lisbeth19  IML-0099690  2017-11-15   1225212

8  lisbeth19  IML-0101439  2017-12-02   1226511

9  lisbeth19  IML-0109883  2018-03-14   1226511

我想添加三列：

• 第一列可以命名为“每个客户的订单数”，应该是同一客户的订单进度。
  所以顺序IML-0042758应该是 1，IML-0071225应该是 1，IML-0072944应该是 2，IML-0077676应该是 3，IML-0094979应该是 2，依此类推。

• 第二列可以命名为“同一客户的第一个订单和第 n 个订单之间的天数”，并显示同一客户下的不同订单之间的“data_ordine”差异（日期时间列）。
  所以前 6 行的值是：0 (2016-08-23 - 2016-08-23), 0 (2017-02-26 - 2017-02-26), 17 (2017-03-15 - 2017) -02-26), 75 (2017-05-12 - 2017-02-26), 75 (2017-05-12 - 2017-02-26), 402 (2017-09-29 - 2017-02-26) .

• 第三列可以命名为“同一 id_medium 的第一个和第 n 个订单之间的天数”，并显示每个id_medium的不同订单之间的“data_ordine”差异（日期时间列）。 所以前 6 行的值是：0 (2016-08-23 - 2016-08-23), 0 (2017-02-26 - 2017-02-26), 0 (2017-03-15 - 2017) -03-15), 0 (2017-05-12 - 2017-05-12), 58 (2017-05-12 - 2017-03-15 因为媒体“1207056”是第二次订购), 0 ( 2017 年 9 月 29 日 - 2017 年 9 月 29 日）。
  

最后我想计算一个客户平均需要多长时间才能下第二个订单，第三个订单，第四个订单等等。
以及客户为相同的 id_medium 下第二、第三（等）订单平均需要多长时间。

Answer 1

首先转换为datetime，sort因此计算是可靠的。第一列我们可以使用groupby+ngroup来标记每个订单，然后我们减去每个人的最小值，这样他们都从 1 开始从第一个订单开始的天数，使用groupby+transform获取每个客户的第一个日期，然后减去第三列是一样的，只是添加id_medium到分组中代码：df['data_ordine'] = pd.to_datetime(df['data_ordine']) df = df.sort_values('data_ordine')df['Num_ords'] = df.groupby(['id_cliente', 'id_ordine']).ngroup()df['Num_ords'] = df.Num_ords - df.groupby(['id_cliente']).Num_ords.transform('min')+1df['days_bet'] = (df.data_ordine -df.groupby('id_cliente').data_ordine.transform('min')).dt.daysdf['days_bet_id'] = (df.data_ordine - df.groupby(['id_cliente', 'id_medium']).data_ordine.transform('min')).dt.days输出：  id_cliente    id_ordine data_ordine  id_medium  Num_ords  days_bet  days_bet_id0  madinside  IML-0042758  2016-08-23    1190408         1         0            01  lisbeth19  IML-0071225  2017-02-26    1205650         1         0            02  lisbeth19  IML-0072944  2017-03-15    1207056         2        17            03  lisbeth19  IML-0077676  2017-05-12    1211395         3        75            04  lisbeth19  IML-0077676  2017-05-12    1207056         3        75           585  madinside  IML-0094979  2017-09-29    1222195         2       402            06  lisbeth19  IML-0099675  2017-11-15    1211446         4       262            07  lisbeth19  IML-0099690  2017-11-15    1225212         5       262            08  lisbeth19  IML-0101439  2017-12-02    1226511         6       279            09  lisbeth19  IML-0109883  2018-03-14    1226511         7       381          102