Count

Count()

Для каждого объекта считает строки, удовлетворяющие условию. Без условия считает все строки объекта.

Использование

transactions — обучающая таблица событий с бинарным target, одинаковым внутри каждого клиента.

from featminer import one_to_many_pipeline
from featminer.formulas import Count

features = one_to_many_pipeline(
    df=transactions,
    aggregation_key="client_id",
    target_col="target",
    formulas=(Count(),),
)

Count() задаёт способ расчёта; условия pipeline формирует автоматически. features содержит признаки, прошедшие отбор по таргету.

Пример результата

Платежи df; client_id — ключ объекта. Рассмотрим один кандидат с условием status = 'paid'.

	client_id	status
0	1	paid
1	1	failed
2	1	paid
3	2	failed
4	2	None

Количество платежей со статусом paid по клиентам:

	Count
client_id
1	2
2	0

Эквивалентный расчёт на pandas

mask — результат условия для каждой строки: True или False; неопределённый результат считается False.

mask = df["status"].eq("paid").fillna(False)
result = mask.astype(int).groupby(df["client_id"]).sum()

Условия

• min_category_fraction = 0.01 — минимальная доля категории и строк, соответствующих условию, во всей таблице.
• derived_columns.max_condition_columns = 1 — максимум колонок в условии; при 2 возможны сочетания через AND.

Каталог формул.