在物流配送或客户服务场景中，我们经常需要分析客户的访问顺序模式。例如，一个配送员在一次配送任务（Sortie）中，是否总是按照相同的客户顺序进行派送？识别这些重复的客户访问链对于优化路线、理解客户行为或评估配送效率至关重要。本文将指导您如何使用Pandas处理这类问题，从原始配送数据中提取并统计这些客户访问链。
数据准备与理解
假设我们有一个Pandas DataFrame，其中包含了配送人员的配送信息。这个DataFrame包含以下核心列：
- DateTime: 配送时间，用于确定客户访问的先后顺序。
- SortieNumber: 配送批次号，标识一次独立的配送任务。
- CustomerName: 客户名称。
- ProductCode: 配送的产品代码（在此分析中不关心）。
我们的目标是找出在每个SortieNumber中，客户的访问顺序（即客户链），并统计每种客户链出现的次数。产品代码在此分析中不重要，我们只关注客户的访问顺序。
以下是示例数据结构：
DateTime SortieNumber CustomerName ProductCode 0 01/01/2023 09:00:00 1 Josh 1 1 01/01/2023 09:10:00 1 Alice 2 2 01/01/2023 09:15:00 1 Robert 2 3 01/01/2023 12:00:00 2 Anna 1 4 01/01/2023 12:00:10 2 Anna 3 5 01/01/2023 12:15:00 2 Robert 3 6 01/01/2023 15:00:00 3 Josh 4 7 01/01/2023 15:05:10 3 Alice 3 8 01/01/2023 15:15:00 3 Robert 1 9 01/01/2023 15:30:10 3 Robert 2 10 01/01/2023 15:35:15 3 Robert 3
从上述数据中，我们期望得到类似“Josh-Alice-Robert”这样的客户链在3次配送中出现了2次，“Anna-Robert”出现了1次。
核心逻辑：提取客户链
为了实现上述目标，我们将采用以下步骤：
步骤一：数据排序
首先，确保数据按照SortieNumber和DateTime进行升序排列。这是构建正确客户访问顺序的基础。
df_sorted = df.sort_values(by=['SortieNumber', 'DateTime'])
步骤二：去除连续重复客户
在同一个SortieNumber中，如果一个客户被连续访问多次（例如，Anna-Anna或Robert-Robert-Robert），我们通常只希望在客户链中记录一次。这是因为我们关心的是客户访问的顺序，而不是每个客户被访问了多少次。为了实现这一点，我们需要过滤掉那些SortieNumber和CustomerName都与上一行完全相同的记录。
使用df[['SortieNumber', 'CustomerName']].ne(df[['SortieNumber', 'CustomerName']].shift()).any(axis=1)是一种健壮的方法：
- df[['SortieNumber', 'CustomerName']].shift(): 获取前一行的SortieNumber和CustomerName。
- .ne(): 比较当前行与前一行是否不相等。
- .any(axis=1): 如果SortieNumber或CustomerName中的任意一个与前一行不相等，则返回True。这意味着要么是一个新的配送批次开始了，要么是同一批次中访问了一个新的客户。只有当两者都相等时，才返回False，从而过滤掉连续重复的客户条目。
df_filtered = df_sorted.loc[lambda d: d[['SortieNumber', 'CustomerName']]
.ne(d[['SortieNumber', 'CustomerName']].shift())
.any(axis=1)]经过这一步，像Anna-Anna这样的连续重复项会被处理为Anna，而Josh-Alice-Robert-Robert-Robert会被处理为Josh-Alice-Robert。但如果客户是非连续重复的，例如Josh-Alice-Robert-Alice，则会被保留为完整的链。
步骤三：构建客户链
现在，我们按SortieNumber对过滤后的数据进行分组，并使用agg('-'.join)将每个组内的CustomerName连接成一个以连字符分隔的字符串，形成客户链。
customer_chains = df_filtered.groupby('SortieNumber')['CustomerName'].agg('-'.join)步骤四：统计客户链出现次数
最后，使用value_counts()方法统计每种唯一客户链出现的次数。
chain_counts = customer_chains.value_counts()
步骤五：计算比例（可选）
如果您想了解每种客户链占总配送批次的比例，可以在value_counts()中传入normalize=True参数。
chain_proportions = customer_chains.value_counts(normalize=True)
完整代码示例
将上述步骤整合，形成完整的Python代码：
import pandas as pd
from io import StringIO
# 示例数据
data = """DateTime,SortieNumber,CustomerName,ProductCode
01/01/2023 09:00:00,1,Josh,001
01/01/2023 09:10:00,1,Alice,002
01/01/2023 09:15:00,1,Robert,002
01/01/2023 12:00:00,2,Anna,001
01/01/2023 12:00:10,2,Anna,003
01/01/2023 12:15:00,2,Robert,003
01/01/2023 15:00:00,3,Josh,004
01/01/2023 15:05:10,3,Alice,003
01/01/2023 15:15:00,3,Robert,001
01/01/2023 15:30:10,3,Robert,002
01/01/2023 15:35:15,3,Robert,003
"""
df = pd.read_csv(StringIO(data))
# 确保DateTime列为日期时间类型，以便正确排序
df['DateTime'] = pd.to_datetime(df['DateTime'])
# 提取客户链并统计出现次数
chain_analysis_results = (df.sort_values(by=['SortieNumber', 'DateTime'])
.loc[lambda d: d[['SortieNumber', 'CustomerName']]
.ne(d[['SortieNumber', 'CustomerName']].shift())
.any(axis=1)]
.groupby('SortieNumber')['CustomerName'].agg('-'.join)
.value_counts()
)
print("客户链出现次数：")
print(chain_analysis_results)
# 计算客户链出现的比例
chain_proportion_results = (df.sort_values(by=['SortieNumber', 'DateTime'])
.loc[lambda d: d[['SortieNumber', 'CustomerName']]
.ne(d[['SortieNumber', 'CustomerName']].shift())
.any(axis=1)]
.groupby('SortieNumber')['CustomerName'].agg('-'.join)
.value_counts(normalize=True)
)
print("\n客户链出现比例：")
print(chain_proportion_results)输出结果：
客户链出现次数： CustomerName Josh-Alice-Robert 2 Anna-Robert 1 Name: count, dtype: int64 客户链出现比例： CustomerName Josh-Alice-Robert 0.666667 Anna-Robert 0.333333 Name: proportion, dtype: float64
注意事项与最佳实践
- 数据类型与排序： 确保时间戳列被正确解析为Pandas的datetime类型，这是正确排序和确定顺序的关键。
-
去重逻辑的选择：
- 本文采用的ne(d.shift()).any(axis=1)方法是处理连续重复客户的推荐方式，它确保了在同一SortieNumber内，只有当客户名称发生变化时，才计入新的链条元素。这忠实地反映了客户访问的实际顺序。
- 如果使用drop_duplicates(['SortieNumber', 'CustomerName'])，它会移除同一SortieNumber中所有后续出现的相同客户，即使这些出现不是连续的。例如，如果链是Josh-Alice-Robert-Alice，drop_duplicates会将其简化为Josh-Alice-Robert，这可能与您想要保留完整顺序的需求不符。因此，请根据您的具体业务需求选择合适的去重策略。
- **性能考虑
