我有一些数据,其中包含一系列用户的登录和注销时间。
输入:
Login Logout
User_1 10:25AM 6:01PM
User_2 8:58AM 5:12PM
User_3 9:23AM 1:35PM
User_3 3:10PM 4:49PM
我希望能够找出一段时间内(例如每小时)登录的用户数量。
我希望能够将其与同一时期 Pandas 中的其他数据关联起来,例如该时间段内“Foo”事件的数量。
期望的输出:
Num Logged In Foo Event Count
9:00AM 1 11
10:00AM 2 17
11:00AM 3 28
12:00PM 3 26
1:00PM 3 22
2:00PM 2 15
3:00PM 2 15
4:00PM 3 22
5:00PM 2 13
在最简单的情况下,我可以获得上午 10:00 时登录的用户数量,这将是一个有用的开始。如果我正在考虑将数据重新采样为日期间,那么我需要更聪明,看看最大同时登录数或上午 9:00 到下午 5:00 之间同时登录的平均数量。
显然,我可以编写简单的Python,考虑到我在 Pandas 中重新采样的时期,它可以给我我需要的系列,但我想知道 Pandas 中是否有一个技巧可以帮助我做到这一点,或者我可以在 Numpy 中做的事情,因为我想将其应用于大型数据集(数百个用户,数千天,每个用户每天多次登录/注销)。
最佳答案
我发现了一种似乎效果很好的方法:
假设我们可以将登录/注销数据转换为两个按时间索引的 DataFrame:
Login UserLogin
-------- ---------
8:58AM User_2
9:23AM User_3
10:25AM User_1
3:10PM User_3
Logout UserLogout
-------- ----------
1:35PM User_3
4:49PM User_3
5:12PM User_2
6:01PM User_1
然后我们可以向每个表添加一个附加列:1 表示登录,-1 表示注销:
login['AvailabilityDelta'] = 1
logout['AvailabilityDelta'] = -1
然后我们可以对两个表执行外连接,并用 0 填充连接创建的 NA 值:
events = login.join(logout, how='outer')
events.fillna(value=0, inplace=True)
在新加入的“Events”DataFrame 上,我们创建一个“AvailabilityDelta”列,它是“Login”列和“Logout”列的总和(来 self 们上面添加的登录和注销 DataFrames +1 和 -1) :
events['AvailabilityDelta'] = events.Login + events.Logout
最后,我们可以通过对“AvailabilityDelta”列执行累积求和来创建“Availability”列。这为我们提供了我们在原始问题中所追求的“Num Logged In”数据:
events['Availability'] = events.AvailabilityDelta.cumsum()
此时,添加附加信息或创建 TimeSeries 数据很简单,例如:
ts = events.resample('1H', how='mean', fill_method='ffill')
关于python - 如何获取用户 session 的 Pandas TimeSeries(使用 Pandas 或 Numpy),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23125426/