Python 熊猫在groupby之后获得累计总和

我有这样一个数据框架：基本上每一行都是由一个客户在一天内完成的交易。 同一客户在同一天和不同日期有多笔交易。我想得到一个列，列出以前访问过的客户数量

id  date   purchase 

id1 date1  $10    

id1 date1  $50    

id1 date2  $30     

id2 date1  $10     

id2 date1  $10     

id3 date3  $10     

添加“访问”列后：

id  date   purchase  visit

id1 date1  $10         0 

id1 date1  $50         0

id1 date2  $30         1

id2 date1  $10         0

id2 date2  $10         1

id2 date3  $10         2 

我试过了

df.visits = 1 
df.visits = df.groupby([id, date], as_index=False)[visits].transform(cumsum) 

但它给出了每笔交易的累计金额。 如何每天获得相同的值，但在第二天迭代

IIUC，您需要：

df['visit']=df.groupby('id')['date'].transform(lambda x: pd.factorize(x)[0])
print(df)

---

---

另一种分类方法是：

df['visit'] = df.groupby('id')['date'].transform(lambda x: pd.Categorical(x).codes)

---

输入df看起来有误，最后一行的第二个日期应该是date2？id3应该是id2？是我的错。但是你已经给出了答案，谢谢！这个

df['visit']=pd.category（df.date）.code在您的方法中是否足够？不，需要在客户级别设置类别。如果客户从未在date1访问过商店，而只是在date2访问过商店，date2需要是0，您能给我一个等效的sql查询来理解它吗better@SaleemAhmed我不是sql方面的专家，但是如果您看看
pd.factorize（）
docs，它会有所帮助。基本上，其思想是，用一个整数值标识每个唯一的事件（因为python以0开头，所以它有助于您的用例）：）
df['visit'] = df.groupby('id')['date'].transform(lambda x: pd.Categorical(x).codes)