Question

我长期以来一直在寻找我的问题的答案，在文档中查找但尚未找到任何合适的内容。

我正在尝试合并两个数据集：第一个包含2000-2015网球比赛的重要统计数据，第二个包含网球比赛的赔率以及2001-2016的一些统计数据。

关键困难：

类似锦标赛的名称在数据集中通常不相同，因此无法使用它们来合并数据集。
在具有重要统计数据的数据集中，只有比赛开始的日期，而在另一个比赛中有每个比赛的日期。因此，只是日期的平等不起作用。

下面可能会看到包含一些列的数据集。第一个数据集包含有关匹配的重要统计数据，第二个数据集包括赔率和一般信息。

matches[['Winner', 'Loser', 'Tournament Start Date']].head()

         Winner       Loser        Tournament Start Date
     0 Dupuis A.       Ilie A.       2000-05-01
     1 Gonzalez F.     Mamiit C.     2000-05-01
     2 Srichaphan P.   Lareau S.     2000-05-01
     3 Siemerink J.    Gimelstob J.  2000-05-01
     4 Stoltenberg J.  Moron A.      2000-05-01


all_bets[['Winner', 'Loser', 'Date']].head()

          Winner        Loser       Date of Match
     0  Clement A.    Gaudenzi A.    2001-01-01 
     1  Goldstein P.  Jones A.       2001-01-01 
     2  Haas T.       Smith L.       2001-01-01 
     3  Henman T.     Rusedski G.    2001-01-01 
     4  Hewitt L.     Arthurs W.     2001-01-01

对于我来说，准确合并数据集的最佳方法是3个条件*：列'Winner'，'失败'和......的比例等级匹配日期和锦标赛开始日期之间的差异不是大于14天因为：

两名球员只能在一场锦标赛中相互比赛
每场锦标赛每年只举行一次
没有持续时间超过14天的锦标赛。

“胜利者”和“失败者”条件的使用是显而易见的：

matches_bets = pd.merge(matches, all_bets, on=["Winner", "Loser"], how="inner")

但是，我不明白如何应用日期的不等式条件来合并数据集。

如果能帮助我完成这项任务，我将不胜感激。

*在合并数据集时，其他列肯定不是更好用 - 这就是为什么人们在这里看不到它们。

Answer 1

首先，将包含日期的列转换为日期时间

matches['Tournament Start Date'] = pd.to_datetime(matches['Tournament Start Date'], format='%Y-%m-%d')
all_bets['Date of Match'] = pd.to_datetime(all_bets['Date of Match'], format='%Y-%m-%d')

然后你应该像以前那样合并

matches_bets = pd.merge(matches, all_bets, on=["Winner", "Loser"], how="inner")

然后通过额外的列[＆＃39; date_difference＆＃39;]

应用您的条件

matches_bets['date_difference'] = matches_bets['Date of Match'] - matches_bets['Tournament Start Date']
matches_bets['KEEP_IN_PLACE'] = matches_bets['date_difference'].apply(lambda x: 1 if x.days <= 14 else 0)
matches_bets = matches_bets[matches_bets['KEEP_IN_PLACE'] == 1]

你完成了=）

在日期时间条件下合并两个网球数据集

1 个答案: