パンダの集計数は異なります

ユーザーアクティビティのログがあり、合計期間と1日あたりのユニークユーザー数のレポートを生成したいとします。

import numpy as np
import pandas as pd
df = pd.DataFrame({'date': ['2013-04-01','2013-04-01','2013-04-01','2013-04-02', '2013-04-02'],
    'user_id': ['0001', '0001', '0002', '0002', '0002'],
    'duration': [30, 15, 20, 15, 30]})

期間の集計は非常に簡単です。

group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg
            duration
date
2013-04-01        65
2013-04-02        45

私がやりたいのは、期間とカウントの個別を同時に合計することですが、count_distinctに相当するものが見つからないようです。

agg = group.aggregate({ 'duration': np.sum, 'user_id': count_distinct})

これは機能しますが、確かにもっと良い方法がありますね。

group = df.groupby('date')
agg = group.aggregate({'duration': np.sum})
agg['uv'] = df.groupby('date').user_id.nunique()
agg
            duration  uv
date
2013-04-01        65   2
2013-04-02        45   1

Seriesオブジェクトの個別のアイテムの数を集計関数に返す関数を提供する必要があると思っていますが、さまざまなライブラリを自由に利用することはあまりありません。また、groupbyオブジェクトはすでにこの情報を知っているようですので、私は単に努力を複製しているのではないでしょうか？

次のいずれかはどうですか？

>>> df
         date  duration user_id
0  2013-04-01        30    0001
1  2013-04-01        15    0001
2  2013-04-01        20    0002
3  2013-04-02        15    0002
4  2013-04-02        30    0002
>>> df.groupby("date").agg({"duration": np.sum, "user_id": pd.Series.nunique})
            duration  user_id
date                         
2013-04-01        65        2
2013-04-02        45        1
>>> df.groupby("date").agg({"duration": np.sum, "user_id": lambda x: x.nunique()})
            duration  user_id
date                         
2013-04-01        65        2
2013-04-02        45        1

'nunique'は、pandas 0.20.0以降の.agg（）のオプションであるため、次のようになります。

df.groupby('date').agg({'duration': 'sum', 'user_id': 'nunique'})

すでに与えられた答えに追加するだけで、文字列を使用したソリューション"nunique"ははるかに高速であるように見えます。ここでは、最大2100万行のデータフレームでテストされ、最大2Mにグループ化されています。

%time _=g.agg({"id": lambda x: x.nunique()})
CPU times: user 3min 3s, sys: 2.94 s, total: 3min 6s
Wall time: 3min 20s

%time _=g.agg({"id": pd.Series.nunique})
CPU times: user 3min 2s, sys: 2.44 s, total: 3min 4s
Wall time: 3min 18s

%time _=g.agg({"id": "nunique"})
CPU times: user 14 s, sys: 4.76 s, total: 18.8 s
Wall time: 24.4 s