Pandas实战

读取我们的案例源数据：

时间范围是2020年5月-6月两个月的数据，一共40270条，目标是计算两月期的复购率。

先对客户ID和付款时间做升序排列，方便后续计算：

复购计算是建立在按客户ID分组的基础之上，下面的重点工作是搞定apply里面的函数。

首先，用一个空列 lst 来记录客户的复购间隔时间。当客户在时间范围内购买次数大于1时，再对客户的购买时间进行循环遍历，否则返回空列表：

接着，重点研究购买次数大于1的客户，为了有一个锚定的日期，我们引入变量anchor，当客户第二次购买时间间隔在2天以内，则用第三次购买时间和anchor做计算，依次遍历，直到找到购买时间间隔大于2的消费行为或者循环匹配完客户所有订单信息：

为了避免索引超出范围，在while循环内部，当 i 等于len(x) - 2时，跳出内部循环，否则index + 1

一旦客户两次购买行为间隔超过2天，则判定为复购行为，并且把复购时间间隔记录在lst列表

一遍复购间隔计算完之后，进行下次的循环（这里判断index同样是为了避免超出索引），最终得到的是每个客户符合定义的间隔时间列表。

把定义好的函数应用到我们的数据集上，结果如丝般顺滑：

大功已经告成。计算复购率已然是信手拈来，只需要统计复购次数大于等于1的：

以2天作为我们的复购时间间隔，最终复购率是17.76%。

apply强大不止于此，我们对count函数略加修改，加入一个变量作为间隔，就可以自定义复购时间间隔，想大于3天就大于3天，想大于7天就大于7天，完全实现复购率的灵活计算。

整个复购计算到此为止，问题的关键在于count函数，如何把规则用函数复现，以及索引怎样递进，需要花一些时间来思考。