最近我真的很难解决这个问题,我想也许有人可以帮我,问题是:
我有一个数据帧来表示客户端听什么(音乐),一个user_key=一个客户端,一个客户端可以有很多行。我有很多专栏,比如流媒体的日期、客户收听的类型、专辑名称。。。。以及一个名为TOTAL_LISTEED的列,表示该客户端收听专辑的时间、在哪个应用程序上等。
1000×9 DataFrame. Omitted printing of 2 columns
│ Row │ USER_KEY │ STREAM_DATE │ GENRE_MAIN │ ALBUM_NAME │ ALBUM_ARTIST_NAME │ APP_SHORT_NAME │ USER_TRIAL_STATUS │
│ │ String │ Dates.Date │ String │ String │ String │ String │ Bool │
├──────┼──────────────────────────────────┼─────────────┼───────────────────┼──────────────────────────────────────────────────────┼────────────────────────────────┼────────────────┼───────────────────┤
│ 1 │ 0000e19d6a5608e3787e5bfea98488ca │ 2021-01-16 │ CLASSICAL │ The Liszt Collection │ VARIOUS ARTISTS │ app_1 │ 0 │
│ 2 │ 0000e19d6a5608e3787e5bfea98488ca │ 2021-01-19 │ CLASSICAL │ Schumann: Music for Clarinet │ PATRICK MESSINA │ app_1 │ 0 │
│ 3 │ 0000e19d6a5608e3787e5bfea98488ca │ 2021-01-16 │ CLASSICAL │ Schumann: Music for Clarinet │ PATRICK MESSINA │ app_1 │ 0 │
│ 4 │ 0000e19d6a5608e3787e5bfea98488ca │ 2020-12-28 │ JAZZ │ Turn Up The Quiet │ DIANA KRALL │ app_2 │ 0 │
│ 5 │ 0000e19d6a5608e3787e5bfea98488ca │ 2021-01-03 │ CLASSICAL │ Johann Sebastian Bach │ VÍKINGUR ÓLAFSSON │ app_1 │ 0 │
│ 6 │ 0000e19d6a5608e3787e5bfea98488ca │ 2021-01-20 │ CLASSICAL │ Barbara Bonney - The Radiant Voice of Barbara Bonney │ BARBARA BONNEY │ app_1 │ 0 │
│ 7 │ 0000e19d6a5608e3787e5bfea98488ca │ 2020-12-22 │ CLASSICAL │ The Liszt Collection │ VARIOUS ARTISTS │ app_1 │ 0 │
⋮
│ 993 │ 000a149099a55a6e74fd253ab3f5709d │ 2020-12-30 │ CLASSICAL │ Handel: Concerti grossi, Op. 6 Nos. 1-6 │ AKADEMIE FÜR ALTE MUSIK BERLIN │ app_2 │ 0 │
│ 994 │ 000a149099a55a6e74fd253ab3f5709d │ 2021-01-01 │ SOUL / FUNK / R&B │ Gold - 20 Super Hits (International) │ BONEY M. │ app_2 │ 0 │
│ 995 │ 000a149099a55a6e74fd253ab3f5709d │ 2020-12-25 │ SOUL / FUNK / R&B │ Gold - 20 Super Hits (International) │ BONEY M. │ app_2 │ 0 │
│ 996 │ 000a149099a55a6e74fd253ab3f5709d │ 2021-01-08 │ CLASSICAL │ Vivaldi: Concertos For Two Violins │ VIKTORIA MULLOVA │ app_2 │ 0 │
│ 997 │ 000a149099a55a6e74fd253ab3f5709d │ 2021-01-09 │ CLASSICAL │ Wagner: Tannhäuser │ GIUSEPPE SINOPOLI │ app_6 │ 0 │
│ 998 │ 000a149099a55a6e74fd253ab3f5709d │ 2021-01-17 │ CLASSICAL │ Cyrillus Kreek - The Suspended Harp of Babel │ VOX CLAMANTIS │ app_2 │ 0 │
│ 999 │ 000a149099a55a6e74fd253ab3f5709d │ 2020-12-25 │ REGGAE │ Exodus 30th Anniversary Edition │ BOB MARLEY & THE WAILERS │ app_2 │ 0 │
│ 1000 │ 000a149099a55a6e74fd253ab3f5709d │ 2021-01-08 │ CLASSICAL │ Double concertos │ SIMON STANDAGE │ app_2 │ 0 │
total_listened没有在这里打印,所以我把它放在下面
df[:TOTAL_LISTENED]
1000-element Array{Float64,1}:
4161.0
3909.0
3465.0
2172.0
2040.0
1742.0
1666.0
1646.0
1513.0
1450.0
⋮
659.0
653.0
652.0
652.0
650.0
649.0
647.0
643.0
642.0
我希望每个客户端按每列进行聚合,并计算这个total_listened的总和。
例如,假设客户"0000e19d6a5608e3787e5bfea98488ca",我想知道他听了多少类型的经典音乐,听了多少专辑《舒曼:单簧管音乐》等。
我需要对user_key和其他列进行双重分组,然后对total_listened列求和,但我无法使其工作。
当我尝试在groupby内部进行groupby时,它会告诉我不能在groupedDataFrame中进行groupby。
此外,我真的不知道如何轻松地复制这个数据帧,如果你愿意,我可以直接与你分享CSV。
我想要的结果:
genre_main->我按user_key分组,genre_main然后对total_listened求和,这给了我每个流派的total_litened,然后我只想保留>用户收听总数的33%(所有>33%的流派都在一列中,由","分隔为字符串)。
app_short_name->与genre_main完全相同。
白蛋白名称->只需获得排名前1的专辑(我想我知道如何做到这一点,只需按专辑名称分组时求和total_listened,然后先进行排序|>)
非常感谢
首先,请将DataFrames.jl更新到最新版本0.22,以获得包的最新功能和错误修复。
要获得按流派收听的总数,请执行:
combine(groupby(df, [:USER_KEY, :GENRE_MAIN]), :TOTAL_LISTENED => sum)
要获得专辑的总收听量,只需执行:
combine(groupby(df, [:USER_KEY, :ALBUM_NAME]), :TOTAL_LISTENED => sum)
这就是你要找的吗?
编辑:
genre_main->我按user_key分组,genre_main然后对total_listened求和,这给了我每个流派的total_litened,然后我只想保留>用户收听总数的33%(所有>33%的流派都在一列中,由","分隔为字符串)
可以这样做:
using Chain # to make reading the pipe easier
@chain df begin
groupby(:USER_KEY)
transform(:TOTAL_LISTENED => (x -> x ./ sum(x) => :FRACTION_LISTENED)
groupby([:USER_LISTENED, :GENRE_MAIN])
combine(:FRACTION_LISTENED => sum => :FRACTION_LISTENED)
filter(:FRACTION_LISTENED => >=(0.33), _)
groupby(:USER_LISTENED)
combine(:GENRE_MAIN => (x -> join(x, ",")) => :FREQUENT_GENRES)
end
我是凭头脑写的,但这就是我的方式。因此,您将获得一个具有两列:USER_LISTENED
和:FREQUENT_GENRES
的数据帧。我想你可以类似地做问题的第二部分,然后加入:USER_LISTENED
上的结果。