考虑以下数据框，
import pandas as pd
import numpy as np
np.random.seed(666)
dd=pd.DataFrame({'v1': np.random.choice(range(30), 20),
'v2': np.random.choice(pd.date_range(
'5/3/2016', periods=365, freq='D'),
20, replace=False)
})
dd=dd.sort_values('v2')
# v1 v2
#5 4 2016-05-03
#11 14 2016-05-26
#19 12 2016-06-26
#15 8 2016-07-06
#7 27 2016-08-04
#4 9 2016-08-28
#17 5 2016-09-08
#13 16 2016-10-04
#14 14 2016-10-10
#18 18 2016-11-25
#3 6 2016-12-03
#8 19 2016-12-04
#12 1 2016-12-12
#10 28 2017-01-14
#1 2 2017-02-12
#0 12 2017-02-15
#9 28 2017-03-11
#6 29 2017-03-18
#16 7 2017-03-21
#2 13 2017-04-29
我想创建基于以下两个条件的组：
v1 <= 40 v2 <= 61天的时差换句话说，每组必须有40 v1或2个月的总和。因此，如果61天过去但40没有完成，那么无论如何关闭该组。如果40日在1天内完成，则再次关闭该组
最后标志是，
dd['expected_flag']=[1, 1, 1, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9]
我在R here中提出了一个非常相似的问题，但现在有一个新的要求（日期）我无法理解它。
注意我会在庞大的数据集中运行它，因此效率越高越好
编辑：我发现this question基本上处理的是第一个条件而不是日期条件
编辑2 ：61天的时差仅表示时间限制。实际上，约束将在几分钟内
编辑3 ：使用@Maarten提供的功能，我得到以下（前40行），其中组1还应包括组2中的前2个（即v1 = 6和v1） = 6）。
Out[330]:
index v2 v1 max_limit group
0 2 2017-04-01 00:00:02 14 335.0 1
1 3 2017-04-01 00:00:03 8 335.0 1
2 13 2017-04-01 00:00:13 11 335.0 1
3 14 2017-04-01 00:00:14 11 335.0 1
4 29 2017-04-01 00:00:29 4 335.0 1
5 44 2017-04-01 00:00:44 16 335.0 1
6 52 2017-04-01 00:00:52 10 335.0 1
7 58 2017-04-01 00:00:58 11 335.0 1
8 65 2017-04-01 00:01:05 15 335.0 1
9 68 2017-04-01 00:01:08 8 335.0 1
10 81 2017-04-01 00:01:21 12 335.0 1
11 98 2017-04-01 00:01:38 9 335.0 1
12 102 2017-04-01 00:01:42 7 335.0 1
13 107 2017-04-01 00:01:47 12 335.0 1
14 113 2017-04-01 00:01:53 6 335.0 1
15 116 2017-04-01 00:01:56 6 335.0 1
16 121 2017-04-01 00:02:01 4 335.0 1
17 128 2017-04-01 00:02:08 16 335.0 1
18 143 2017-04-01 00:02:23 7 335.0 1
19 149 2017-04-01 00:02:29 11 335.0 1
20 163 2017-04-01 00:02:43 4 335.0 1
21 185 2017-04-01 00:03:05 9 335.0 1
22 239 2017-04-01 00:03:59 6 335.0 1
23 242 2017-04-01 00:04:02 13 335.0 1
24 272 2017-04-01 00:04:32 4 335.0 1
25 293 2017-04-01 00:04:53 8 335.0 1
26 301 2017-04-01 00:05:01 10 335.0 1
27 302 2017-04-01 00:05:02 7 335.0 1
28 305 2017-04-01 00:05:05 12 335.0 1
29 323 2017-04-01 00:05:23 5 335.0 1
30 326 2017-04-01 00:05:26 13 335.0 1
31 329 2017-04-01 00:05:29 10 335.0 1
32 365 2017-04-01 00:06:05 10 335.0 1
33 368 2017-04-01 00:06:08 11 335.0 1
34 411 2017-04-01 00:06:51 6 335.0 2
35 439 2017-04-01 00:07:19 6 335.0 2
36 440 2017-04-01 00:07:20 8 335.0 2
37 466 2017-04-01 00:07:46 7 335.0 2
38 475 2017-04-01 00:07:55 4 335.0 2
39 489 2017-04-01 00:08:09 4 335.0 2
所以说清楚，当我总结并计算得到的timediff时，
dd.groupby('group', as_index=False).agg({'v1': 'sum', 'v2': lambda x: max(x)-min(x)})
Out[332]:
# group v1 v2
#0 1 320 00:06:06
#1 2 326 00:07:34
#2 3 330 00:06:53
#...
答案 0 :(得分：3)
设定：
dd['days'] = dd['v2'].diff().dt.days.fillna(0).astype(int)
dd = dd[['v1', 'v2', 'days']] # the order of the columns matters
初始化：
increment = pd.Series(False, index=dd.index)
v1_cum = 0
days_cum = 0
循环：
for row in dd.itertuples(name=None): # faster than iterrows
v1_cum += row[1]
days_cum += row[3]
if v1_cum > 40 or days_cum > 61:
increment[row[0]] = True # first element of tuple is index
# notice the different re-initialization
v1_cum = row[1]
days_cum = 0
分配：
dd['flag'] = increment.cumsum() + 1
输出：
[1, 1, 1, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9]
答案 1 :(得分：2)
来自@IanS的方法略有不同。我不知道哪个会更快。 这个实际上计算了几个月的差异
def diff_in_months(date1, date2):
import itertools
# print(date1, date2)
x, y = max(date1, date2), min(date1, date2)
coefficients = 12, 100, 24, 100, 100, 1
coefficients = list(reversed([i for i in itertools.accumulate(reversed(coefficients), operator.mul)]))
return (sum(i * j for i, j in zip(coefficients, x.timetuple())) - sum(i * j for i, j in zip(coefficients, y.timetuple()))) // coefficients[1]
这可以通过计算系数（并使用global变量）仅一次而不是每次调用方法来加速
def my_grouping(df):
i = 1
v1 = 0
v2 = df['v2'].iloc[0]
for row in df.itertuples():
# print(row)
if diff_in_months(v2, row.v2) >= 2 or (v1 + row.v1 >= 41):
i += 1
v1 = row.v1
v2 = row.v2
else:
v1 += row.v1
yield i
flag_series = pd.Series(my_grouping(dd), index = dd.index))
dd.assign(flag=flag_series, expected_flag = [1, 1, 1, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9])
v1 v2 expected_flag flag
5 4 2016-05-03 1 1
11 14 2016-05-26 1 1
19 12 2016-06-26 1 1
15 8 2016-07-06 2 2
7 27 2016-08-04 2 2
4 9 2016-08-28 3 3
17 5 2016-09-08 3 3
13 16 2016-10-04 3 3
14 14 2016-10-10 4 4
18 18 2016-11-25 4 4
3 6 2016-12-03 4 4
8 19 2016-12-04 5 5
12 1 2016-12-12 5 5
10 28 2017-01-14 6 6
1 2 2017-02-12 6 6
0 12 2017-02-15 7 7
9 28 2017-03-11 7 7
6 29 2017-03-18 8 8
16 7 2017-03-21 8 8
2 13 2017-04-29 9 9
def my_grouping_arbitrary_interval(df, diff_v1 = 41, interval = pd.Timedelta(61, 'D')):
i = 1
v1 = 0
v2 = df['v2'].iloc[0]
for row in df.itertuples():
# print(row)
if max(v2, row.v2) - min(v2, row.v2) >= interval or (v1 + row.v1 >= diff_v1):
i += 1
v1 = row.v1
v2 = row.v2
else:
v1 += row.v1
yield i
这个问题是pd.Timedelta将任何unit : string, [D,h,m,s,ms,us,ns]作为输入，所以没有几个月或几年。对于那些你将不得不调整我的diff_in_months