利用Python统计连续登录N天或以上用户
在有些时候，我们需要统计连续登录N天或以上用户，这里采用python通过分组排序、分组计数等步骤实现该功能，具体如下：
导入需要的库
import pandas as pd
import numpy as np
第一步，导入数据
原始数据是一份csv文件，我们用pandas的方法read_csv直接读取
df = pd.read_csv(r"C:\Users\Gdc\Documents\登录日志.csv")
#读取登录日志数据
这里的登录日志只有两个字段：@timestamp和rold_id。前者是用户登录的时间，后者是用户的ID，考虑到时间的格式，我们需要做简单处理去掉后面的时间保留日期。
第二步，数据预处理
数据预处理方面我们需要做的工作有三部分
- 时间只取日期，去掉时间部分
我们使用info方法可以发现，时间字段的格式是object，并非时间格式
但是我们需要统计的时间单位是以日为周期，故而这里可以先做简单的去掉时间部分的处理方式
采用字符串的split方法，按照‘ ’(空格)进行切片，取第一部分即可
#因为日期数据为时间格式，可以简单使用字符串按照空格切片后取第一部分
- 删除日志里重复的数据（同一天玩家可以登录多次，故而只需要保留一条即可）
我们看到上面处理过的数据，可以发现role_id为570837202的用户在1月8日存在多条记录，为方便后续计算，这里需要进行去重处理。
采取drop_duplicate方案即可保留删除重复数据只保留一条
df.drop_duplicates(inplace=True)
#因为玩家在某一天存在登录多次情况，这里可以用去重过滤掉多余数据
- 将时间字段列转化为时间格式
同样也是为了方便后续使用时间加减计算登录行为数，@timestamp字段需要调整为时间日期格式
采取to_datetime方法进行处理
df["@timestamp"] = pd.to_datetime(df["@timestamp"])
#将日期列转化为 时间格式
第三步，分组排序
分组排序是指将每个用户登录日期进行组内排序
采用groupby方法结合rank方法进行处理
df['辅助列'] = df["@timestamp"].groupby(df['role_id']).rank()
#分组排序
第四步，计算差值
这一步是辅助操作，使用第三步中的辅助列与用户登录日期做差值得到一个日期，若某用户某几列该值相同，则代表这几天属于连续登录
因为辅助列是float型，我们在做时间差的时候需要用到to_timedelta且unit='d'用来表示减去的是天数，这样获得的差值就会是一个日期
df['date_sub'] = df['@timestamp'] - pd.to_timedelta(df['辅助列'],unit='d')
#计算登录日期与组内排序的差值（是一个日期）
第五步，分组计数
通过上一步，我们可以知道，计算每个用户date_sub列出现的次数即可算出该用户连续登录的天数
data = df.groupby(['role_id','date_sub']).count().reset_index()
#根据用户id和上一步计算的差值 进行分组计数
自此，我们计算出了每个用户连续登录天数
修改辅助列名称
data = data[['role_id','date_sub','辅助列']].rename(columns={'辅助列':'连续登录天数'})
#修改辅助列名称
第六步，计算每个用户连续登录最大天数
这里用到的是sort_values和first方法，对每个用户连续登录天数做组内排序（降序），再取第一个值即为该用户连续登录最大天数
data = data.sort_values(by='连续登录天数',ascending=False).groupby('role_id').first().reset_index()
#计算每个玩家连续登录最大天数
补充
当我们计算出每个用户在周期内的每个连续登录天数后，想计算连续登录N天或以上玩家清单就非常方便了，条件筛选即可。
同时，也可以自由计算连续登录最大天数 各玩家数等等。
全部代码如下
import pandas as pd
import numpy as np
df = pd.read_csv(r"C:\Users\Gdc\Documents\登录日志.csv")
#读取登录日志数据
df['@timestamp']=df['@timestamp'].str.split(' ').str[0]
#因为日期数据为时间格式，可以简单使用字符串按照空格分列后取第一部分
df.drop_duplicates(inplace=True)
#因为玩家在某一天存在登录多次情况，这里可以用去重过滤掉多余数据
df["@timestamp"] = pd.to_datetime(df["@timestamp"])
#将日期列转化为 时间格式
df['辅助列'] = df["@timestamp"].groupby(df['role_id']).rank()
#分组排序
df['date_sub'] = df['@timestamp'] - pd.to_timedelta(df['辅助列'],unit='d')
#计算登录日期与组内排序的差值（是一个日期）
data = df.groupby(['role_id','date_sub']).count().reset_index()
#根据用户id和上一步计算的差值 进行分组计数
data = data[['role_id','date_sub','辅助列']].rename(columns={'辅助列':'连续登录天数'})
#修改辅助列名称
data = data.sort_values(by='连续登录天数',ascending=False).groupby('role_id').first().reset_index()
#计算每个玩家连续登录最大天数腾讯云开发者
