【Python】購買データから購買サイクルを計算する

ID別に購買サイクルを計算する

下記のようなID別に購買日を縦持ちで持っているデータに対して、ID別に購買間隔をPythonで計算する方法です。

データ（id_date.csvとする）

コード

#ライブラリの読み込み
import pandas as pd
import numpy as np

#データの読み込み 文字コードはファイルに合わせて指定
df = pd.read_csv('id_date.csv',encoding='shift-jis',dtype={'ID':'str','DATE':'str'})

#並び替える（日付昇順）
df_arg = df.sort_values(['ID','DATE'],ascending=[True, True])
#購入日を日付型に変換（元々日付型であれば不要）
df_arg['DATE_dt'] = df_arg['DATE'].apply(lambda x : dt.strptime(x,'%Y%m%d'))

#日付の差分を計算する＆一つ前のレコードの会員を取得する
df_arg['cycle'] = df_arg['DATE_dt'].diff()
df_arg['ID_diff'] = df_arg['ID'].shift()

#不要なレコードを消す（IDとID_diffが一致するレコードのみ取得）
df_diff = df_arg[df_arg['ID']==df_arg['ID_diff']]

#cycleを日付型から数値型に変換する
df_diff['cycle_int']=df_diff['cycle'].apply(lambda x : x.days)
#必要なカラムだけ残す
df_out = df_diff[['ID','cycle_int']]

#IDごとに購買サイクルを中央値で取得
df_cycle = df_out.groupby('ID',as_index=False).median()[['ID','cycle_int']]

解説

処理の流れとしては

①IDと日付でデータをソートする（日付昇順）
②日付はひとつ上の日付との差を取得（→cycle）
③IDはひとつ上のIDを取得（→ID_diff）
④IDが各レコードで一致しているもののみ取得（→各IDの先頭のレコードを削除する）