python - 如何获取用户 session 的 Pandas TimeSeries(使用 Pandas 或 Numpy)

Question

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)。

Answer 1

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')