Pandas中高效计算客户跨品类前一笔交易金额教程

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 网络学院

Pandas中高效计算客户跨品类前一笔交易金额教程

2025-11-28

浏览次数：次

返回列表

Pandas中高效计算客户跨品类前一笔交易金额教程

本教程旨在解决在pandas dataframe中，为每笔交易查找同一客户之前不同类别交易金额的问题。文章将分析常见错误方法及其局限性，并提供一种基于分组迭代和状态变量的优化解决方案，通过维护不同交易类型的最新金额，高效地计算出所需的跨品类前一笔交易金额。

1. 问题描述

在处理客户交易数据时，我们经常需要进行复杂的序列分析。本教程将聚焦于一个具体场景：给定一个包含客户交易记录的DataFrame，我们需要为每条交易记录添加一个新列PREV_AMOUNT。该列的值应为同一客户在当前交易日期之前，最近一次发生的、且交易类型与当前交易类型不同的交易金额。

输入数据结构:

DataFrame df 包含以下列：

KEY_ID: 客户的唯一标识符。
TYPE: 交易类型，例如 'Motor' 或 'Tool'。
DATE: 交易发生的日期。
AMOUNT: 交易金额。

示例输入数据:

KEY_ID	TYPE	AMOUNT	DATE
1	Motor	5000	2025-01-01
1	Tool	3000	2025-02-01
1	Tool	7000	2025-03-01
2	Tool	2000	2025-01-15
2	Motor	6000	2025-02-15
2	Tool	4000	2025-03-15

期望输出数据:

KEY_ID	TYPE	AMOUNT	DATE	PREV_AMOUNT
1	Motor	5000	2025-01-01	NaN
1	Tool	3000	2025-02-01	5000
1	Tool	7000	2025-03-01	5000
2	Tool	2000	2025-01-15	NaN
2	Motor	6000	2025-02-15	2000
2	Tool	4000	2025-03-15	6000

2. 常见误区与性能瓶颈

在尝试解决这类问题时，初学者常会遇到一些效率低下的方法，导致性能问题甚至程序崩溃。

N世界

一分钟搭建会展元宇宙

138 查看详情 N世界

2.1 使用 df.apply() 结合行级过滤

一种直观的思路是为每一行应用一个自定义函数，该函数在整个DataFrame中查找符合条件的先前交易。

import pandas as pd
import numpy as np

def find_previous_request(row, full_df):
    # 查找同一客户、不同类型、日期早于当前行的交易
    previous_requests = full_df[
        (full_df['KEY_ID'] == row['KEY_ID']) &
        (full_df['TYPE'] != row['TYPE']) &
        (full_df['DATE'] < row['DATE'])
    ]

    if not previous_requests.empty:
        return previous_requests.iloc[-1]['AMOUNT'] # 返回最近一笔的金额
    return np.nan

# 假设df是已排序的原始DataFrame
# df['PREV_AMOUNT'] = df.apply(lambda row: find_previous_request(row, df), axis=1)

问题分析: 这种方法对DataFrame中的每一行都会执行一次全局过滤操作，即创建一个新的子DataFrame。当数据量较大时，这种重复的过滤和子DataFrame创建会导致极高的计算开销和内存消耗，从而使程序运行缓慢，甚至引发内核崩溃。df.apply(axis=1) 虽然灵活，但通常应避免在其中进行涉及整个DataFrame的复杂查询。

2.2 使用 groupby().shift()

另一种尝试是利用Pandas的 shift() 函数，它可以在分组内获取前一行的值。

# df['prev_amount'] = df.groupby(['KEY_ID', 'TYPE'])['AMOUNT'].shift().fillna(0).astype(int)

问题分析:shift() 函数确实适用于获取分组内的前一个值。然而，df.groupby(['KEY_ID', 'TYPE'])['AMOUNT'].shift() 的问题在于，它只会在同一客户、同一类型的分组内进行偏移。而我们的需求是查找不同类型的交易金额，因此这种方法无法满足条件。

3. 优化解决方案：基于分组迭代的状态维护

解决此类问题的更高效方法是结合Pandas的分组能力和Python的迭代逻辑，通过在每个客户组内部维护状态变量来实现。

3.1 核心思想

预排序: 首先，确保整个DataFrame按 KEY_ID 升序排列，然后在每个 KEY_ID 内部按 DATE 升序排列。这是进行时间序列分析的基础。
按客户分组: 使用 df.groupby('KEY_ID') 将DataFrame分割成独立的客户组。
组内迭代与状态维护: 对每个客户组，按时间顺序迭代其交易记录。在迭代过程中，为该客户维护一个或多个状态变量，记录不同交易类型的最新金额。
条件赋值: 当处理当前交易时，根据其类型，从对应的状态变量中获取所需的不同类型交易金额，并将其赋值给新列。随后，更新当前交易类型的最新金额状态。

3.2 实现步骤

导入必要的库 pandas 和 numpy。
创建示例DataFrame。
对DataFrame进行预排序，确保数据按 KEY_ID 和 DATE 的升序排列。
初始化新列 PREV_AMOUNT，默认值为 np.nan。
使用 df.groupby('KEY_ID') 按客户ID进行分组。
遍历每个客户组，并在组内使用循环（iterrows()）处理每条交易记录。
在循环内部，根据交易类型更新和获取状态变量的值，并使用 df.loc 进行高效赋值。

3.3 示例代码

import pandas as pd
import numpy as np

# 示例数据
data = {
    'KEY_ID': [1, 1, 1, 2, 2, 2],
    'TYPE': ['Motor', 'Tool', 'Tool', 'Tool', 'Motor', 'Tool'],
    'AMOUNT': [5000, 3000, 7000, 2000, 6000, 4000],
    'DATE': pd.to_datetime(['2025-01-01', '2025-02-01', '2025-03-01', '2025-01-15', '2025-02-15', '2025-03-15'])
}
df = pd.DataFrame(data)

# 1. 确保数据按客户ID和日期排序
# reset_index(drop=True) 是为了在后续使用loc时避免索引错乱，尤其是在排序后原始索引被打乱的情况下。
df = df.sort_values(by=['KEY_ID', 'DATE']).reset_index(drop=True)

# 2. 初始化 PREV_AMOUNT 列，默认值为 NaN
df['PREV_AMOUNT'] = np.nan

# 3. 按 KEY_ID 分组并迭代
grouped = df.groupby('KEY_ID')

# 遍历每个客户组
for name, group in grouped:
    # 为每个客户初始化状态变量，记录该客户最近一次'Motor'和'Tool'交易的金额
    last_motor_amount = np.nan
    last_tool_amount = np.nan

    # 在当前客户组内，按时间顺序迭代其交易记录
    # 由于df已经整体排序，group内部的顺序也是正确的
    for ind, row in group.iterrows():
        if row['