python - 使用 Pandas 时，还有另一种方法可以将列添加到 groupby 吗？

Question

我将 session 定义为播放的一组歌曲，其中没有至少 15 分钟的休息时间。我的目标是找到每个用户的平均 session 长度。

到目前为止，我已经使用 python 和 pandas 按用户 ID 对以下数据进行分组，然后按开始时间戳对每个组进行排序。

输入数据:

到目前为止我的代码:

start_end_song.groupby('user_id').apply(lambda x: x.sort_values('start_timestamp'))

以上代码的输出:

接下来我想计算第一首歌曲的结束时间戳和下一首时间戳的开始之间的间隔。

但是，这不起作用:

start_end_song.groupby('user_id')\
.apply(lambda x: x.sort_values('start_timestamp'))\
.apply(lambda x: x['break']= start_end_song['end_timestamp']- start_end_song['start_timestamp'].shift(-1))

语法错误:lambda 不能包含赋值

还有其他方法可以将列添加到 groupby 吗？

Answer 1

您可以使用 pandas.DataFrame.shift和 pandas.DataFrame.cumsum获取“岛屿”歌曲:

>>> df = pd.DataFrame({'user_id': [1, 1, 1, 1, 2, 2, 2, 2], 'start_timestamp': [1, 3, 20, 26, 1, 5, 40, 42], 'end_timestamp': [2, 4, 25, 27, 2, 10, 41, 50]}, columns=['user_id', 'start_timestamp', 'end_timestamp'])
>>> df
   user_id  start_timestamp  end_timestamp
0        1                1              2
1        1                3              4
2        1               20             25
3        1               26             27
4        2                1              2
5        2                5             10
6        2               40             41
7        2               42             50

>>> df['session_break'] = (df['start_timestamp'] - df.groupby('user_id')['end_timestamp'].shift(1) >= 15).astype('int')
>>> df
   user_id  start_timestamp  end_timestamp  session_break
0        1                1              2              0
1        1                3              4              0
2        1               20             25              1
3        1               26             27              0
4        2                1              2              0
5        2                5             10              0
6        2               40             41              1
7        2               42             50              0
>>> df['session_label'] = df.groupby('user_id')['session_break'].cumsum()
>>> df
   user_id  start_timestamp  end_timestamp  session_break  session_label
0        1                1              2              0              0
1        1                3              4              0              0
2        1               20             25              1              1
3        1               26             27              0              1
4        2                1              2              0              0
5        2                5             10              0              0
6        2               40             41              1              1
7        2               42             50              0              1

更新

要获得平均 session 持续时间，您可以这样做:

>>> g = df.groupby(['user_id', 'session_label']).agg({'end_timestamp' : np.max, 'start_timestamp' : np.min})
>>> g
                       start_timestamp  end_timestamp
user_id session_label                                
1       0                            1              4
        1                           20             27
2       0                            1             10
        1                           40             50

>>> (g['end_timestamp'] - g['start_timestamp']).groupby(level=0).mean()
user_id
1    5.0
2    9.5