我有一个如下所示的数据框:
In [134]: df
Out[134]:
A ID3 DATETIME
0 BRT-481028 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 13:43:27
1 BRT-481054 4a57ed0b02fa357bf3c51cc9460e8d96 2014-10-08 14:26:19
2 BRT-481076 1a682034f8cbc542f36e46215635da9a 2014-10-08 14:29:01
3 BRT-481023 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:39:34
4 BRT-481023 f88g8d7sds799asde83b2523944p9r78 2014-10-08 18:40:18
5 BRT-481033 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:44:30
6 BRT-481032 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:46:00
7 BRT-481037 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:52:15
8 BRT-481046 db959faf023e5df33032db4808882f0c 2014-10-08 18:59:59
9 BRT-481053 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:17:48
10 BRT-481065 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:21:38
每一行代表由用户触发的事件 - 为本示例通过中的值进行标识df['ID3']
。每个事件都有更多的属性,但我已经剪掉了其他所有内容。
对于我想要构建的内容,我只需要为每个用户和每 5 分钟滚动周期保留一个事件。所有其他事件,在同一时间段内,由同一用户执行,都只是噪音,会干扰进一步执行的其他逻辑,因此应被丢弃。因此,我需要为每个用户最多保留一条记录和 5 分钟滚动周期。更具体地说,我需要保留同一时间段内任意数量的记录中的最新记录。
所需的输出如下所示:
A ID3 DATETIME
0 BRT-481028 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 13:43:27
1 BRT-481054 4a57ed0b02fa357bf3c51cc9460e8d96 2014-10-08 14:26:19
2 BRT-481076 1a682034f8cbc542f36e46215635da9a 2014-10-08 14:29:01
4 BRT-481023 f88g8d7sds799asde83b2523944p9r78 2014-10-08 18:40:18
6 BRT-481032 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:46:00
7 BRT-481037 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:52:15
8 BRT-481046 db959faf023e5df33032db4808882f0c 2014-10-08 18:59:59
10 BRT-481065 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:21:38
上面的行[3,5,9]
上的记录已被丢弃,因为它们符合上述条件。另外,请注意 3
行和 6
行之间的时间间隔大于 5 分钟,但是,由于同时创建了记录 5
, 滚动窗口导致这些记录被丢弃。
另请注意,第 4 行的记录保持不变,因为它与不同的用户关联。
编辑
现在我已经更进一步了,我使用了 diff()
和 groupby()
来查看达到此目的:
In [309]: df['diff'] = df.sort_values(by='DATETIME').groupby('ID3')['DATETIME'].transform(lambda x: x.diff())
In [310]: df
Out[310]:
A ID3 DATETIME \
0 BRT-481028 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 13:43:27
1 BRT-481054 4a57ed0b02fa357bf3c51cc9460e8d96 2014-10-08 14:26:19
2 BRT-481076 1a682034f8cbc542f36e46215635da9a 2014-10-08 14:29:01
3 BRT-481023 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:39:34
4 BRT-481023 f88g8d7sds799asde83b2523944p9r78 2014-10-08 18:40:18
5 BRT-481033 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:44:30
6 BRT-481032 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:46:00
7 BRT-481037 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:52:15
8 BRT-481046 db959faf023e5df33032db4808882f0c 2014-10-08 18:59:59
9 BRT-481053 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:17:48
10 BRT-481065 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:21:38
diff
0 NaT
1 NaT
2 NaT
3 1970-01-01 04:56:07
4 NaT
5 1970-01-01 00:04:56
6 1970-01-01 00:01:30
7 1970-01-01 00:06:15
8 NaT
9 1970-01-01 00:25:33
10 1970-01-01 00:03:50
我似乎无法获得差异的秒数。我尝试过:
>> findTheDiff = lambda x: x.diff().astype(np.int64)
代替上面的lambda
,但这并没有多大区别。
我希望将 '1970-01-01 00:01:30'
变为 '90'
!
感谢您的帮助!
最佳答案
diff
返回具有 seconds
属性的 Timedelta
对象。
解决方案(也许)
findTheDiff = lambda x: x.diff().seconds
关于python - 如何在 GroupBy 中满足逻辑条件的 "collapse"行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36941505/