Python 在Datetime上合并两个数据集

我有两个数据集： 第一个包含注册过程开始时的数据，第二个包含注册过程结束时的数据。我有用户ID和日期

第一个示例（注册过程的开始）：

用户ID时间 1111111 2016-01-26 13:02:22 1111111 2016-01-26 14:05:51 1111111 2016-01-26 14:58:08 1111111 2016-01-27 11:17:09 1111111 2016-01-27 12:05:17 1111111 2016-01-27 13:15:33 1111111 2016-01-27 18:10:12 1111111 2016-01-27 20:23:38 222222 2016-01-29 09:01:00 222222 2016-01-29 09:04:15 222222 2016-01-29 11:27:35 222222 2016-01-30 09:02:36 222222 2016-06-29 08:50:02 333333 2016-01-26 09:58:27 第二个（注册过程结束）：

用户ID时间 1111111 2016-01-26 13:37:54 1111111 2016-01-26 14:40:34 1111111 2016-01-26 15:21:53 1111111 2016-01-27 11:42:58 1111111 2016-01-27 12:43:52 1111111 2016-01-27 13:39:56 1111111 2016-01-27 18:41:01 1111111 2016-01-27 20:51:56 222222 2016-01-29 09:17:26 222222 2016-01-29 11:37:10 222222 2016-01-30 09:16:33 333333 2016-01-29 09:14:39 我需要计算用户完成注册过程所需的时间。问题是，第一个数据集的行数比第二个数据集的行数多得多，因为用户可能会启动该过程，然后放弃它，所以我不能只在索引上进行合并。例如。： 两个开端：

222222 2016-01-29 09:01:00 222222 2016-01-29 09:04:15 222222 2016-01-29 09:01:00 222222 2016-01-29 09:04:15 只有一端：

222222 2016-01-29 09:17:26 222222 2016-01-29 09:17:26

---

使用merge/merge\u asof函数有什么好方法吗？

IIUUC，您可以使用

merge\u asof

。这将允许您在与

'User ID'

和日期完全匹配的情况下加入两个数据帧，然后您可以在结束数据帧（

df_End

）中选择在开始数据帧（

df_beg

）中的时间之后的最近时间

合并

现在是：

    User ID          Time_start            Time_end
0    333333 2016-01-26 09:58:27                 NaT
1   1111111 2016-01-26 13:02:22 2016-01-26 13:37:54
2   1111111 2016-01-26 14:05:51 2016-01-26 14:40:34
3   1111111 2016-01-26 14:58:08 2016-01-26 15:21:53
4   1111111 2016-01-27 11:17:09 2016-01-27 11:42:58
5   1111111 2016-01-27 12:05:17 2016-01-27 12:43:52
6   1111111 2016-01-27 13:15:33 2016-01-27 13:39:56
7   1111111 2016-01-27 18:10:12 2016-01-27 18:41:01
8   1111111 2016-01-27 20:23:38 2016-01-27 20:51:56
9    222222 2016-01-29 09:01:00 2016-01-29 09:17:26
10   222222 2016-01-29 09:04:15 2016-01-29 09:17:26
11   222222 2016-01-29 11:27:35 2016-01-29 11:37:10
12   222222 2016-01-30 09:02:36 2016-01-30 09:16:33
13   222222 2016-06-29 08:50:02                 NaT

---

如果您需要按照注释中的指示计算平均时间，则由于

timedelta64

数据类型，您需要跳过几个环

import numpy as np

mask = merged.Time_end.notnull()
# Calculate the time difference and convert to a numeric type
merged.loc[mask, 'Time_diff'] = (merged.loc[mask, 'Time_end'] 
                                 - merged.loc[mask, 'Time_start']).astype(np.int64)

# Calculate the average time difference, convert back to timedelta.
pd.to_timedelta(merged.groupby('User ID').Time_diff.mean())
#User ID
#222222    00:13:17.250000
#333333                NaT
#1111111   00:30:14.250000
#Name: Time_diff, dtype: timedelta64[ns]

---

所以你的例子中哪一个应该被忽略？你能提供更多关于数据帧的信息以及它们的含义吗？例如，列名、您试图实现的目标等？请参见此处，了解如何创建报告API，这是我从报告API获得的事件列表。第一个数据集显示注册过程的开始，第二个数据集显示注册过程的结束。我需要计算平均时差。我希望我已经澄清了我的问题。您可以在pandas中使用merge函数，并使用left join从右侧获取匹配行，从左侧获取所有行。下面是代码示例。df1.merge（df2，how='left'，left_在='Column1'上，right_在='ColumnA'上）

import pandas as pd

# Need to convert to datetime and sort the keys we will merge_asof on.
df_beg['Time'] = pd.to_datetime(df_beg.Time)
df_end['Time'] = pd.to_datetime(df_end.Time)
df_beg = df_beg.sort_values('Time').rename(columns={'Time': 'Time_start'})
df_end = df_end.sort_values('Time').rename(columns={'Time': 'Time_end'})

merged = pd.merge_asof(df_beg, df_end,
              left_by=['User ID', df_beg.Time_start.dt.date], 
              right_by=['User ID', df_end.Time_end.dt.date],
              left_on='Time_start', right_on='Time_end',
              direction='forward').drop(columns='key_1)

    User ID          Time_start            Time_end
0    333333 2016-01-26 09:58:27                 NaT
1   1111111 2016-01-26 13:02:22 2016-01-26 13:37:54
2   1111111 2016-01-26 14:05:51 2016-01-26 14:40:34
3   1111111 2016-01-26 14:58:08 2016-01-26 15:21:53
4   1111111 2016-01-27 11:17:09 2016-01-27 11:42:58
5   1111111 2016-01-27 12:05:17 2016-01-27 12:43:52
6   1111111 2016-01-27 13:15:33 2016-01-27 13:39:56
7   1111111 2016-01-27 18:10:12 2016-01-27 18:41:01
8   1111111 2016-01-27 20:23:38 2016-01-27 20:51:56
9    222222 2016-01-29 09:01:00 2016-01-29 09:17:26
10   222222 2016-01-29 09:04:15 2016-01-29 09:17:26
11   222222 2016-01-29 11:27:35 2016-01-29 11:37:10
12   222222 2016-01-30 09:02:36 2016-01-30 09:16:33
13   222222 2016-06-29 08:50:02                 NaT

import numpy as np

mask = merged.Time_end.notnull()
# Calculate the time difference and convert to a numeric type
merged.loc[mask, 'Time_diff'] = (merged.loc[mask, 'Time_end'] 
                                 - merged.loc[mask, 'Time_start']).astype(np.int64)

# Calculate the average time difference, convert back to timedelta.
pd.to_timedelta(merged.groupby('User ID').Time_diff.mean())
#User ID
#222222    00:13:17.250000
#333333                NaT
#1111111   00:30:14.250000
#Name: Time_diff, dtype: timedelta64[ns]