Question

我需要根据每个人的ID（name）和登录时间（login_time）计算出数据集中的时间。我想查看此df中列出的每个人的第一个login_time和最后一个login_time之间的时间：

数据示例：

name   login_time
alex   2020-12-18T10:50:35
alex   2020-12-19T11:50:11
sue    2020-10-15T10:00:35
sue    2020-10-16T09:50:22

不幸的是，实际的数据集有超过800,000行。如果只是样本数据，我将这样做：

df = pd.read_csv('filepathto.csv')

df.apply(lambda x: x[x['name'] == 'alex'].login_time.max()
) - df.apply(lambda x: x[x['name'] == 'alex'].login_time.min()) #repeat for sue

我的问题是，我该如何缩放它？或者有更好的方法能够获得我想要的结果（从第一次记录到最后一次记录的经过时间）？

编辑：DF有27列，而不仅仅是2列。列出的两列正是我对此过程感兴趣的内容。

Answer 1

假设df的索引是name列。我将使用以下方法：

df.groupby('name').max() - df.groupby('name').min()

由于df中只有2列，因此df.groupby('name')的{{3}}将是login_time列中的值。

login_time是name以外的唯一列。

如果df中有多于2列，请使用以下代码指定login_time列：

df.groupby('name')['login_time'].max() - df.groupby('name')['login_time'].min()

Answer 2

将GroupBy.agg与Series.sub相减：

df['login_time'] = pd.to_datetime(df['login_time'])

df1 = df.groupby('name')['login_time'].agg(['min','max'])
print (df1)
                     min                 max
name                                        
alex 2020-12-18 10:50:35 2020-12-19 11:50:11
sue  2020-10-15 10:00:35 2020-10-16 09:50:22

df2 = df1['max'].sub(df1['min']).reset_index(name='diff')
print (df2)
   name            diff
0  alex 1 days 00:59:36
1   sue 0 days 23:49:47

或者性能不重要：

df2 = (df.groupby('name')['login_time']
         .agg(lambda x: x.max() - x.min())
         .reset_index(name='diff'))

熊猫计算同一列中的时差？

2 个答案: