正确提取首次行为时间需先转datetime64，再按user_id取min(timestamp)，并用dt.to_period().dt.start_time生成cohort标签；计算留存须先按user_id+date去重，再构建day_offset整数列，最后用crosstab避免内存爆炸。
直接用 pandas.crosstab 或 groupby().size() 做留存矩阵，90% 的性能瓶颈出在时间对齐和用户去重逻辑上，而不是数据量本身。
如何正确提取「首次行为时间」并划分 cohort
错误做法是直接用注册时间——很多业务没有显式注册事件，得从行为日志里反推。关键是找到每个 user_id 的最早 timestamp，再按周期（如周/月）归一化为 cohort 标签。
- 先确保
timestamp是datetime64类型：df['timestamp'] = pd.to_datetime(df['timestamp']) - 按
user_id取最小时间：first_ts = df.groupby('user_id')['timestamp'].min() - 生成 cohort 列（以周为例）：
first_ts.dt.to_period('W').dt.start_time，不是.dt.week——后者跨年会重复 - 避免用
strftime('%Y-%m')字符串做分组：字符串比较慢，且无法参与后续日期运算
计算 N 日留存时，为什么 groupby 后 count() 结果偏高？
因为没去重：同一个用户在同一天多次活跃，会被算作多次。留存率定义是「至少活跃一次」，不是「总活跃次数」。
- 必须先按
user_id+date去重：df.drop_duplicates(['user_id', 'date']) - 如果原始数据只有
timestamp，需先转成日期：df['date'] = df['timestamp'].dt.date或.dt.floor('D') - 别用
nunique()直接套在大表上——内存爆炸。应先聚合再计算：active_by_user_date = df.groupby(['user_id', 'date']).size().reset_index()
构建留存矩阵时，pivot_table 为什么报 MemoryError？
不是数据太大，而是索引组合爆炸：比如 100 万用户 × 30 天 = 3000 万行，但实际活跃组合可能只有 500 万，pivot_table 默认填充 NaN 导致稀疏变稠密。
- 改用
crosstab更稳：pd.crosstab(df['cohort'], df['day_offset'], dropna=False) -
day_offset必须是整数列，比如：用户行为日期减去 cohort 日期的天数差：(df['date'] - df['cohort']).dt.days - 限制
day_offset范围（如 0–30），避免把冷数据拖进来：df = df[df['day_offset'].between(0, 30)] - 最后除以每 cohort 首日用户数时，用
div(crosstab.iloc[:, 0], axis=0)，别用apply——后者逐列复制整行，内存翻倍
真正卡住的从来不是“怎么写”，而是 cohort 时间粒度是否和业务目标一致（比如活动复盘用小时级 cohort，长期健康度必须用周/月），以及是否提前过滤掉无效行为（如 behavior_type == 'pv' 但无用户标识的埋点）。这些不处理，代码跑通了结果也没意义。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
