Comento mi problema. Tengo un DF que contiene 2 columnas que necesito agrupar, pero con ciertas condiciones. Cada fila corresponde a un registro de compra.
Columna fecha: fecha de compra de un producto
Columna id_cliente: código único de cada cliente (ejemplo de código: 0003KVW, R34YYTH, etc.
Columna descripcion_compras: columna con texto redactado por trabajadores que contiene los nombres de productos adquiridos por los clientes. En este ejemplo, buscaremos (str.contains) los nombres de los producto_A y producto_B
Lo que necesito es saber, en total, cuántos veces distintas ha comprado un producto cada cliente. Ojo: si en un registro de compra (una fila), un cliente me compra 2 veces el producto_A, yo solo voy a contar 1: me interesan las ocasiones distintas en las que ha comprado cada producto, no el número total de productos de cada tipo que ha comprado.
Problemas: es posible que un cliente, en un mismo día, haga 2 compras, por lo que aparecerán 2 filas con el mismo id_cliente y la misma fecha y con compras distintas.
Mi lógica:
Necesito agrupar las compras de cada cliente (col id_cliente) de cada fecha (col fecha) para tener todas las compras de cada cliente de un mismo día agrupadas. Entiendo que es un groupby con 2 columnas.
Luego, debería crear una lista de listas ("lista_del_diccionario") que contenga id_cliente y busque en cada fila, en la columna descripcion_compras, cuántas veces aparece "producto_A" y "producto_B", tomar las cantidades y especificarlo.
Crear un dataframe con la lista_del_diccionario que contenga varias columnas: id_cliente, compra_producto_A, compra_producto_B.
Es decir: saber cuántos días distintos ha adquirido cada producto (y, repito, no el número de productos de cada tipo: si un día compra 15 veces el producto_A, ese día cuenta solo como 1.
fecha id_cliente descripcion_compras
2020-07-31 0003KVW aceite, producto_A, producto_B
2020-07-31 0003KVW crema, producto_A
2021-10-26 0003KVW producto_A
2021-10-26 0003KVW comida para gatos, producto_B
2021-10-26 0003KVW arroz, producto_A, producto_B
2020-07-03 6275KFT producto_A, jabon
2021-09-22 6275KFT producto_A, producto_B
Os muestro:
lista_del_diccionario = list()
for k in df.groupby(["id_cliente", "fecha"]).groups.keys():
user_data = dict()
data = df.groupby("id_cliente").get_group(k)
compra_producto_A = data["descripcion_compras"].str.contains("producto_A").count()
compra_producto_B = data["descripcion_compras"].str.contains("producto_B").count()
user_data.update({
"id_cliente": id_cliente,
"compra_producto_A": compra_producto_A,
"compra_producto_B":compra_producto_B,
})
lista_del_diccionario.append(user_data) # Agregamos el diccionario que acabamos de crear a "lista_del_diccionario"
compras_totales = pd.DataFrame(lista_del_diccionario)
compras_totales
output:
KeyError: ('0003KVW', Timestamp('2020-07-31 00:00:00'))
¿Qué está pasando? Luego intuyo que habrá otro problema: en el "count() que hago, ¿contará solamente los valores que sean >0? Lo digo porque si en una fecha no hay ninguna compra del producto_A, en esa fila aparecerá 0, pero al hacer el count lo contará igualmente (aunque no "sume" nada). No sé si me explico.
Tampoco puedo hacer un sum(), ya que si un dia compra el producto_A y otro día lo compra 3 veces, el sum() me dará como resultado 4, y en verdad, me interesa que sea 2 (que son los días distintos en los que ha comprado el producto.
El output que me gustaría tener es:
id_cliente compra_producto_A compra_producto_B
0003KVW 2 2
6275KFT 2 1
¿Alguien me puede arrojar luz? Estoy bloqueado con esto.
¡¡Muchísimas gracias!!
dataframe
con lo que se pueda reproducir el error que comentas