如何根据条件获取df A中每条记录对应的df B中的总记录数

Question

我有两个数据表，长得像这样：

第一个表叫做 services_df

服务ID	域名
111	www.abc.com
222	xyz.com
333	www.opq.com
444	rst.com

第二个表叫做 subscriptions_df

订阅ID	域名	状态
11	abc.com	活跃
22	abc.com	活跃
33	www.xyz.com	已取消
44	rst.com	暂停

我想在第一个表中添加一个新的活跃/暂停订阅总数列，这个列要显示第二个表中对应域名的活跃订阅总数。因为这两个表的数据量都很大（大约6万到10万条），所以我希望能尽量高效地完成这个任务。

服务ID	域名	活跃/暂停订阅总数
111	abc.com	2
222	xyz.com	0
333	opq.com	#N/A
444	rst.com	1

我想出了一个函数来实现这个功能，但效率不是很好。

def numberOfActiveSubsTiedToDomainInServices(domain):
  #remove www and trim spaces
  domain = domain.replace('www.','').replace(' ','')
  #retrieve a count of active uber active services tied to the domain found in either domain or the domain in the service description
  try:
    return len(subscriptions_df.loc[(subscriptions_df['Domain'].astype(str).replace('www.','').replace(' ','') == domain) & (subscriptions_df['Status'].isin(['Active','Suspended']))])
  except:
    return '#N/A'

services_df['Total Active/Suspended Subs'] = services_df['Domain'].map(numberOfActiveSubsTiedToDomainInServices)

我遇到的问题是，这种方法非常耗时，因为需要花费太长时间，而且我还需要对其他列进行类似的统计。

有没有更有效率的 Python 方法可以做到这一点呢？

Answer 1

试试这个：

# first, make sure the domain names are the same in df1, df2
services_df["Domain"] = services_df["Domain"].str.removeprefix("www.")
subscriptions_df["Domain"] = subscriptions_df["Domain"].str.removeprefix("www.")

# make a crosstab from df2
tmp = pd.crosstab(subscriptions_df["Domain"], subscriptions_df["Status"])[
    ["Active", "suspended"]
].sum(axis=1)

# map the result from crosstab to df1
services_df["Total Active/Suspended Subs"] = services_df["Domain"].map(tmp)

print(services_df)

输出结果是：

   Service id   Domain  Total Active/Suspended Subs
0         111  abc.com                          2.0
1         222  xyz.com                          0.0
2         333  opq.com                          NaN
3         444  rst.com                          1.0