Pandas 计算 2 列中的值对，条件在第三列
Pandas counting pairs of values from 2 columns with condition on the third
我有一个包含三列的数据集：用户名、计算机、Success/Failure。
我想统计有多少个相似的Username+Computer 对，其中第三列是Success。
我希望结果是一个包含 1 列的数据集，如果原始数据集中的第三列是 Failure，则结果中的同一列将包含 0。
结果 table 必须包含与原始 table.
相同的行数
例如：
原始数据集：
User
Computer
Success or Failure
admin
DC
Success
admin
DC
Success
admin
DC
Fail
admin
Server
Success
admin
Server
Fail
User
Computer
Success
User
Computer
Success
User
Computer
Fail
结果：
No
Count
1
2
2
2
3
0
4
1
5
0
6
2
7
2
8
0
所有失败的行都不计算在内，在结果中用0填充。
我正在使用 pandas 在 python 中编程。我可以使用 tolist() 方法执行此操作，然后使用简单的 for 循环和条件创建一个新列表，但我正在寻找一种使用 pandas 内置方法来执行此操作的方法，以节省内存和时间。
非常感谢！
这是使用 tolist 方法的代码：
result = [user_and_computer = [list(x) for x in list(zip(df["user"].tolist(),df["computer"].tolist(),df["is_success"].tolist()))]
for logon in user_and computer:
if is_success:
result.append(user_and_computer.count(logon))
else:
result.append(0)
尝试：
df["Count"] = df.groupby(["User", "Computer"])["Success or Failure"].transform(
lambda x: x.eq("Success").sum()
)
df.loc[df["Success or Failure"] != "Success", "Count"] = 0
print(df)
打印：
User Computer Success or Failure Count
0 admin DC Success 2
1 admin DC Success 2
2 admin DC Fail 0
3 admin Server Success 1
4 admin Server Fail 0
5 User Computer Success 2
6 User Computer Success 2
7 User Computer Fail 0
首先创建一个布尔掩码来查找值为 Success 的行，然后将此掩码与 User 和 Computer 列一起分组并通过求和转换得到结果
m = df['Success or Failure'].eq('Success')
df['count'] = m.groupby([df['User'], df['Computer'], m]).transform('sum')
User Computer Success or Failure count
0 admin DC Success 2
1 admin DC Success 2
2 admin DC Fail 0
3 admin Server Success 1
4 admin Server Fail 0
5 User Computer Success 2
6 User Computer Success 2
7 User Computer Fail 0
我有一个包含三列的数据集：用户名、计算机、Success/Failure。
我想统计有多少个相似的Username+Computer 对，其中第三列是Success。 我希望结果是一个包含 1 列的数据集，如果原始数据集中的第三列是 Failure，则结果中的同一列将包含 0。 结果 table 必须包含与原始 table.
相同的行数例如：
原始数据集：
| User | Computer | Success or Failure |
|---|---|---|
| admin | DC | Success |
| admin | DC | Success |
| admin | DC | Fail |
| admin | Server | Success |
| admin | Server | Fail |
| User | Computer | Success |
| User | Computer | Success |
| User | Computer | Fail |
结果：
| No | Count |
|---|---|
| 1 | 2 |
| 2 | 2 |
| 3 | 0 |
| 4 | 1 |
| 5 | 0 |
| 6 | 2 |
| 7 | 2 |
| 8 | 0 |
所有失败的行都不计算在内，在结果中用0填充。
我正在使用 pandas 在 python 中编程。我可以使用 tolist() 方法执行此操作，然后使用简单的 for 循环和条件创建一个新列表，但我正在寻找一种使用 pandas 内置方法来执行此操作的方法，以节省内存和时间。
非常感谢！
这是使用 tolist 方法的代码：
result = [user_and_computer = [list(x) for x in list(zip(df["user"].tolist(),df["computer"].tolist(),df["is_success"].tolist()))]
for logon in user_and computer:
if is_success:
result.append(user_and_computer.count(logon))
else:
result.append(0)
尝试：
df["Count"] = df.groupby(["User", "Computer"])["Success or Failure"].transform(
lambda x: x.eq("Success").sum()
)
df.loc[df["Success or Failure"] != "Success", "Count"] = 0
print(df)
打印：
User Computer Success or Failure Count
0 admin DC Success 2
1 admin DC Success 2
2 admin DC Fail 0
3 admin Server Success 1
4 admin Server Fail 0
5 User Computer Success 2
6 User Computer Success 2
7 User Computer Fail 0
首先创建一个布尔掩码来查找值为 Success 的行，然后将此掩码与 User 和 Computer 列一起分组并通过求和转换得到结果
m = df['Success or Failure'].eq('Success')
df['count'] = m.groupby([df['User'], df['Computer'], m]).transform('sum')
User Computer Success or Failure count
0 admin DC Success 2
1 admin DC Success 2
2 admin DC Fail 0
3 admin Server Success 1
4 admin Server Fail 0
5 User Computer Success 2
6 User Computer Success 2
7 User Computer Fail 0