科普：pandas 中的类 SQL语句：transaction.groupby(“card_id“)[‘purchase_day‘].diff()

transaction['purchase_day_diff'] = transaction.groupby("card_id")['purchase_day'].diff()

等价于 SQL 里的窗口函数：

SELECT 
    card_id,
    purchase_day,
    -- 按用户分组，按时间排序，取上一行的 purchase_day，即LAG使时间滞后一步（后移一格），反之，LEAD = 超前一步（前移一格）
    LAG(purchase_day) OVER (PARTITION BY card_id ORDER BY purchase_day) AS prev_day,
    -- 当前天 - 上一天 = 时间差
    purchase_day - LAG(purchase_day) OVER (PARTITION BY card_id ORDER BY purchase_day) AS purchase_day_diff
FROM transaction

一、该python语句等价于 SQL 里的窗口函数

groupby(列).diff() = SQL 的 LAG() 窗口函数，算组内行与行的差值！

1、实现功能

按每个用户分组，把他的交易按时间排序，然后算：当前交易日期 - 上一次交易日期 = 间隔天数

---

假设交易表：

card_id	purchase_day
user1	10
user1	15
user1	20
user2	5
user2	9

执行：

groupby("card_id")['purchase_day'].diff()

得到：

card_id	purchase_day	purchase_day_diff
user1	10	NaN（第一笔，没有上一笔）
user1	15	5（15-10）
user1	20	5（20-15）
user2	5	NaN
user2	9	4（9-5）

---

2、对应 SQL

运行结果一模一样

SELECT
    card_id,
    purchase_day,
    purchase_day - LAG(purchase_day) OVER(PARTITION BY card_id ORDER BY purchase_day) AS purchase_day_diff
FROM transaction

结果：

card_id	purchase_day	purchase_day_diff
user1	10	NULL
user1	15	5
user1	20	5
user2	5	NULL
user2	9	4

这里的窗口函数做了什么？

1. 按用户分窗口：OVER(PARTITION BY)
2. 排序：ORDER BY
3. LAG 取上一行：LAG(purchase_day)
4. 手动减法 = diff：purchase_day - LAG(purchase_day)

---

二、SQL的窗口函数

前面提到SQL的窗口函数，这里专门讲讲。

窗口函数 = 对一组内行与行之间互相计算，但不把多行压成一行（保留原行数）

对比：

• GROUP BY：多行 → 一行（汇总）
• 窗口函数：多行 → 还是多行（行与行之间计算）

---

1、普通聚合（GROUP BY）------压扁

SELECT card_id, SUM(amount) FROM transaction GROUP BY card_id

结果：一个用户一行

2、窗口函数 ------不压扁，每行都保留

SELECT card_id, SUM(amount) OVER (PARTITION BY card_id)

结果：多少行，还是多少行，但每一行都带上了该用户的总和

---

窗口函数结构（固定格式）

函数() OVER (
    PARTITION BY 列1, 列2   -- 分组（窗口）
    ORDER BY 排序列         -- 组内排序
)

三部分：

1. OVER：标志这是窗口函数
2. PARTITION BY：把数据分成多个小组（窗口）
3. ORDER BY：组内按什么顺序排

---

方式	结果行数	作用
GROUP BY	减少（每组1行）	汇总统计
窗口函数	不变（原行数）	行与行之间计算

---

三、其它类似的对应关系

1、核心对应规则

df.groupby(分组列)[统计列].聚合函数()

完全等价 SQL：

SELECT 分组列, 聚合函数(统计列)
FROM df
GROUP BY 分组列

---

2、 对应举例

1）groupby + sum

transaction.groupby("card_id")["purchase_amount"].sum()

SQL：

SELECT card_id, SUM(purchase_amount)
FROM transaction
GROUP BY card_id

含义：每个用户总消费金额

---

2）groupby + mean

transaction.groupby("card_id")["purchase_amount"].mean()

SQL：

SELECT card_id, AVG(purchase_amount)
FROM transaction
GROUP BY card_id

含义：每个用户平均消费金额

---

3）groupby + count

transaction.groupby("card_id")["purchase_amount"].count()

SQL：

SELECT card_id, COUNT(purchase_amount)
FROM transaction
GROUP BY card_id

含义：每个用户有多少笔交易（非空）

---

4）groupby + size

transaction.groupby("card_id").size()

SQL：

SELECT card_id, COUNT(*)
FROM transaction
GROUP BY card_id

含义：每个用户总交易笔数（不管空值）

---

5）groupby + nunique（去重计数）

transaction.groupby("card_id")["merchant_category_id"].nunique()

SQL：

SELECT card_id, COUNT(DISTINCT merchant_category_id)
FROM transaction
GROUP BY card_id

含义：每个用户消费过多少个不同商户类别

---

6）groupby + min / max

transaction.groupby("card_id")["purchase_amount"].min()
transaction.groupby("card_id")["purchase_amount"].max()

SQL：

SELECT card_id, MIN(purchase_amount), MAX(purchase_amount)
FROM transaction
GROUP BY card_id

---

7）groupby + diff（本文开头提到的）

transaction.groupby("card_id")["purchase_day"].diff()

SQL：

purchase_day - LAG(purchase_day) OVER (PARTITION BY card_id ORDER BY purchase_day)

---

3、多列聚合（pandas agg → SQL GROUP BY 多函数）

transaction.groupby("card_id").agg({
    "purchase_amount": ["sum", "mean", "max"],
    "merchant_id": "nunique",
    "card_id": "size"
})

对应 SQL：

SELECT
    card_id,
    SUM(purchase_amount),
    AVG(purchase_amount),
    MAX(purchase_amount),
    COUNT(DISTINCT merchant_id),
    COUNT(*)
FROM transaction
GROUP BY card_id

---

4、它们是包pandas的API功能

上述提到的这些函数 全部属于 pandas

groupby()
sum()
mean()
count()
size()
nunique()
min()
max()
diff()
agg()

👉 全部是 pandas.DataFrame / pandas.Series 的方法

你必须导入 pandas 才能用

import pandas as pd

没有这句，上面所有函数都不存在。

它们是 pandas 自己实现的数据分析 API ，语法风格模仿 SQL，但底层是 pandas。

---

附：取行、取列、新建列

回到开头的这句代码：

transaction['purchase_day_diff'] = transaction['purchase_day']...

左侧的中括号中是字符串！！

在交易表 transaction 里，新建一列 ，名字叫 purchase_day_diff，

然后把右边计算好的"时间差"数据存进去。

pandas 设计就是：
中括号里写字符串 = 操作列
中括号里写数字 = 操作行

---

中括号里写字符串：右边取列，左边建列！

左边（等号左边）

transaction['purchase_day_diff'] =...

→ 新建一列 ，名字叫 purchase_day_diff

右边（等号右边）

...= transaction['purchase_day']...

→ 取出 purchase_day 这一列 用来计算

---