Python 如何有效地计算另一列中每个元素的较小元素数？

我有以下

df

    name        created_utc
0   t1_cqug90j  1430438400
1   t1_cqug90k  1430438400
2   t1_cqug90z  1430438400
3   t1_cqug91c  1430438401
4   t1_cqug91e  1430438401
... ...         ...

其中列

name

仅包含唯一值。我想创建一个字典，其键与列

name

中的元素相同。每一个这样的键的值都是

列中创建的元素数(utc

比键的元素数小）。我的预期结果是

{'t1_cqug90j': 6, 't1_cqug90k': 0, 't1_cqug90z': 3, ...} 

在这种情况下，创建的列

中有6个元素

严格小于1430438400，这是

t1\u cqug90j

的对应值。我可以循环生成这样的字典。但是，在我的例子中，循环效率不高，行数超过300万

你能详细说明一种更有效的方法吗

import pandas as pd
import numpy as np
df = pd.read_csv('https://raw.githubusercontent.com/leanhdung1994/WebMining/main/df1.csv', header = 0)[['name', 'created_utc']]
df

---

更新：我发布了这个问题，并在那里得到了很好的回答。但是，我无法将代码修改为这种情况。如果有一个高效的代码可以同时适用于这两种情况，即“严格较大”和“严格较小”，那就太好了。

我认为您需要

排序(sort\u index

对以下各项进行降序排序：

count_utc = df.groupby('created_utc').size().sort_index(ascending=False)
print (count_utc)
created_utc
1430438401    2
1430438400    3
dtype: int64

cumulative_counts = count_utc.shift(fill_value=0).cumsum()

output = dict(zip(df['name'], df['created_utc'].map(cumulative_counts)) )

print (output)
{'t1_cqug90j': 2, 't1_cqug90k': 2, 't1_cqug90z': 2, 't1_cqug91c': 0, 't1_cqug91e': 0}