Question

我有100,000行数据，格式如下：

import pandas as pd

data = {'ID': [1, 1, 3, 3, 4, 3, 4, 4, 4],
        'timestamp': ['12/23/14 16:53', '12/23/14 17:00', '12/23/14 17:01', '12/23/14 17:02', '12/23/14 17:00', '12/23/14 17:06', '12/23/14 17:15', '12/23/14 17:16', '12/23/14 17:20']}

df = pd.DataFrame(data)

   ID           timestamp
0   1 2014-12-23 16:53:00
1   1 2014-12-23 17:00:00
2   3 2014-12-23 17:01:00
3   3 2014-12-23 17:02:00
4   4 2014-12-23 17:00:00
5   3 2014-12-23 17:06:00
6   4 2014-12-23 17:15:00
7   4 2014-12-23 17:16:00
8   4 2014-12-23 17:20:00

ID代表用户，timestamp代表该用户访问网站的时间。我想获取有关使用熊猫进行的会话的信息，该站点上的每次会话最长不超过15分钟。用户登录15分钟后，将开始新的会话。对于上述示例数据，期望的结果将是：

   ID  session_start   session_duration
0  1   12/23/14 16:53. 7 min
1  3   12/23/14 17:02. 4 min
2  4   12/23/14 17:00. 15 min
3  4   12/23/14 17:16. 4 min

让我知道是否有需要补充的信息。我似乎找不到有效的解决方案。任何帮助表示赞赏！

编辑：在回答以下查询时，我在示例中注意到一个错误。抱歉，晚上很晚了！

我正在努力解决的问题主要与用户4有关。他们在15分钟后仍处于登录状态，我想从我的数据中捕获新会话已开始。

我的问题与此Groupby every 2 hours data of a dataframe略有不同的原因是，我想根据个人用户进行此操作。

Answer 1

不好看，但这是一个解决方案。基本思想是将groupby与diff一起使用，以计算每个ID的时间戳之间的差异，但是我找不到找到仅对每两行进行比较的好方法。因此，这种方法对每一行都使用diff，然后在每个ID中彼此选择比较结果。

请注意，我假设数据帧已正确排序。另外请注意，您的示例数据中有一个我删除的ID==1的额外条目。

import pandas as pd

data = {'ID': [1, 1, 3, 4, 3, 4, 4, 4],
        'timestamp': ['12/23/14 16:53', '12/23/14 17:00', '12/23/14 17:02', '12/23/14 17:00', '12/23/14 17:06', '12/23/14 17:15', '12/23/14 17:16', '12/23/14 17:20']}

df = pd.DataFrame(data)
df['timestamp']=pd.to_datetime(df['timestamp'])

# groupby to get difference between each timestamp 
df['diffs'] = df.groupby('ID')['timestamp'].diff()

# count every time ID appears 
df['counts'] = df.groupby('ID')['ID'].cumcount()+1

print("after diffs and counts:")
print(df)

# select entries for every 2nd occurence (where df['counts'] is even)
new_df = df[df['counts'] % 2 == 0][['ID','timestamp','diffs']]

# timestamp here will be the session endtime so subtract the 
# diffs to get session start time 
new_df['timestamp'] = new_df['timestamp'] - new_df['diffs']

# and a final rename
new_df = new_df.rename(columns={'timestamp':'session_start','diffs':'session_duration'})
print("\nfinal df:")
print(new_df)

将打印出

after diffs and counts:
   ID           timestamp           diffs  counts
0   1 2014-12-23 16:53:00             NaT       1
1   1 2014-12-23 17:00:00 0 days 00:07:00       2
2   3 2014-12-23 17:02:00             NaT       1
3   4 2014-12-23 17:00:00             NaT       1
4   3 2014-12-23 17:06:00 0 days 00:04:00       2
5   4 2014-12-23 17:15:00 0 days 00:15:00       2
6   4 2014-12-23 17:16:00 0 days 00:01:00       3
7   4 2014-12-23 17:20:00 0 days 00:04:00       4

final df:
   ID       session_start session_duration
1   1 2014-12-23 16:53:00  0 days 00:07:00
4   3 2014-12-23 17:02:00  0 days 00:04:00
5   4 2014-12-23 17:00:00  0 days 00:15:00
7   4 2014-12-23 17:16:00  0 days 00:04:00

然后获取分钟数来代替session_duration对象的timedelta列，您可以执行以下操作：

import numpy as np
new_df['session_duration']  = new_df['session_duration'] / np.timedelta64(1,'s') / 60.

计算时间间隔以在熊猫数据框中形成新列

1 个答案: