我目前正在研究如下所示的csv数据集(请参阅下面的测试版df):
这些基本上是移动设备位置记录。 “标识符”唯一标识移动设备,“from_city”和“to_city”是相应的出发和到达城市。因此,对于标识符“A1”,该人于1月2日离开渥太华前往伦敦(记录号2)并于1月3日返回(记录号5)。对于具有标识符A2,B1,B2,B3和B6的记录,由于没有伦敦到渥太华记录,它们将被视为无回报。
最终,我想要做的是找出所有出发和返回的比赛,并计算每个从一对城市对。例如:
从渥太华到伦敦:共计100次旅行,其中80次在3天内返回,10次在3天后返回,10次没有返回。
我想我需要使用Identifier和其他列在pandas中进行groupby。但问题是如何识别标识符组中的返回匹配?
基本上,标准应该是:
另外,我如何嵌入3天内的标准?
提前感谢您的帮助!
以下是测试的数据框:
df = pd.DataFrame({
'Identifier': ['A1', 'A2', 'A3', 'A1', 'A3', 'B1', 'C3', 'B2', 'B3', 'B6', 'C3'],
'OS': ['iphone', 'iphone', 'iphone', 'iphone', 'iphone', 'iphone', 'iphone', 'iphone', 'iphone', 'iphone', 'iphone'],
'from_city': ['ottawa', 'ottawa', 'ottawa', 'london', 'london', 'ottawa', 'ottawa', 'ottawa', 'ottawa', 'ottawa', 'london'],
'to_city': ['london', 'london', 'london', 'ottawa', 'ottawa', 'london', 'london', 'london', 'london', 'london', 'ottawa'],
'time': ['1/2/2017 21:00', '1/2/2017 20:00', '12/24/2016 13:00', '1/3/2017 21:00', '1/6/2017 0:00',
'12/10/2016 17:00', '12/22/2016 21:00', '12/17/2016 23:00', '12/14/2016 19:00', '12/20/2016 18:00', '1/3/2017 0:00']
})
注意:上面img中第5行的日期应该是“1/3/2017”,这在上面的代码中是固定的。
答案 0 :(得分:2)
# change the type of 'time' column to timestamp
df['timestamp']=pd.to_datetime(df['timestamp'], format='%m/%d/%Y %H:%M')
# first use merge to get leave time and back time
df = df.merge(df.set_index(['Identifier','from_city'])[['timestamp']], how='left', left_on=['Identifier','to_city'], right_index=True, suffixes=['_leave','_back'])
# filter out invalid leave date and back date
df = df.loc[~(df['timestamp_leave']>=df['timestamp_back'])]
# calculate travel time
df['duration'] = (df['timestamp_back'] - df['timestamp_leave']).dt.days
use pd.cut to groupby
df['group'] = pd.cut(df['duration'], [0,3,10,100])
返回值:
Identifier OS from_city timestamp_leave to_city timestamp_back duration group
1 A2 iphone ottawa 2017-01-02 20:00:00 london NaT NaN NaN
2 A3 iphone ottawa 2016-12-24 13:00:00 london 2017-01-06 00:00:00 12.0 (10, 100]
3 A1 iphone london 2016-01-03 21:00:00 ottawa 2017-01-02 21:00:00 365.0 NaN
5 B1 iphone ottawa 2016-12-10 17:00:00 london NaT NaN NaN
6 C3 iphone ottawa 2016-12-22 21:00:00 london 2017-01-03 00:00:00 11.0 (10, 100]
7 B2 iphone ottawa 2016-12-17 23:00:00 london NaT NaN NaN
8 B3 iphone ottawa 2016-12-14 19:00:00 london NaT NaN NaN
9 B6 iphone ottawa 2016-12-20 18:00:00 london NaT NaN NaN
答案 1 :(得分:1)
如果每个标识符在数据集中只有一次往返,则此方法可行。另外,我将示例数据框中time
列的第4个元素的年份更改为2017年。
首先将df['time']
转换为日期时间。
duration = df.groupby('Identifier')['time'].apply(lambda x: max(list(x)) - min(list(x)))
然后在Identifier
上使用groupby:
duration = df.groupby('Identifier')['time'].apply(lambda x: max(list(x)) - min(list(x)))
duration
现在看起来像:
A1 1 days 00:00:00
A2 0 days 00:00:00
A3 12 days 11:00:00
B1 0 days 00:00:00
B2 0 days 00:00:00
B3 0 days 00:00:00
B6 0 days 00:00:00
C3 11 days 03:00:00
现在选择大于0天但少于3天的行。
duration[(duration > pd.Timedelta(days=0)) & (duration <= pd.Timedelta(days=3))]
结果为:
Identifier
A1 1 days
Name: time, dtype: timedelta64[ns]
答案 2 :(得分:1)
我终于想出办法来做到这一点:
def combine_cities(row):
if row['from_city'] < row['to_city']:
return row['from_city'] + ', ' + row['to_city']
else:
return row['to_city'] + ', ' + row['from_city']
df['cities'] = df.apply(combine_cities, axis=1)
def count_return(grp):
if grp.nunique() == 1:
return np.nan
else:
return 'return found'
df.groupby(['cities', 'Identifier'])['from_city'].apply(count_return).dropna()