Question

我将一个会话定义为一组播放中没有至少15分钟休息的歌曲。我的目标是找到每个用户的平均会话长度。

到目前为止，我已经使用python和pandas按用户ID对下面的数据进行分组，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'))

输出上述代码：

接下来我想计算第一首歌的结束时间戳和下一张时间戳的开头之间的中断。

然而，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))

SyntaxError：lambda不能包含赋值

是否有另一种方法可以将列添加到groupby中？

Answer 1

您可以使用pandas.DataFrame.shift和pandas.DataFrame.cumsum获取“群岛”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

<强>更新

要获得平均会话持续时间，您可以执行以下操作：

>>> 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

在使用pandas时，是否有另一种方法可以将列添加到groupby中？

1 个答案: