在Python中查找相似或重叠的时间组

我有一个开始和结束时间的列表，

my_list

，其中包含开始和结束时间的不同分组

• 8:45-11:00
• 9:00-11:00
• 9:15-11:00
• 9:30-11:00
• 12:30-15:00
• 12:30-15:00
• 12:45-15:00

这些记录是由一位治疗师输入的患者团体治疗会话开始/结束时间。我需要将类似的时间分组在一起，以便检查分组中是否有3个以上的列表。所以从9:00到11:00，有4名患者，而规则只允许3名患者

这些答案为在一个给定的列表中查找所有重叠的时间提供了帮助，我已经尝试了发布在那里的各种解决方案。但我需要根据相似时间的组来找到重叠时间

myu列表=[
[dt.时间（8,45），dt.时间（11,0）]，
[dt.时间（9,0），dt.时间（11,0）]，
[dt.时间（9,15），dt.时间（11,0）]，
[dt.时间（9,30），dt.时间（11,0）]，
[dt.时间（12,30），dt.时间（15,0）]，
[dt.时间（12,30），dt.时间（15,0）]，
[dt.时间（12,45），dt.时间（15,0）]，
]

我需要对相似/重复/重叠的时间进行分组

第一组=[
[dt.时间（8,45），dt.时间（11,0）]，
[dt.时间（9,0），dt.时间（11,0）]，
[dt.时间（9,15），dt.时间（11,0）]，
[dt.时间（9,30），dt.时间（11,0）]
]
第二组=[
[dt.时间（12,30），dt.时间（15,0）]，
[dt.时间（12,30），dt.时间（15,0）]，
[dt.时间（12,45），dt.时间（15,15）]
]

最后，检查

len（第一组）>3将返回
True

#伪代码
对于我的_列表中的时间：
如果开始时间或结束时间相等或重叠：
将时间放入单独的类似列表中（或dict，其中key=timeslot？）
其他：
如果开始或结束时间。。。。

解决方案可以是纯Python或Pandas，因为这些数据来自数据帧，并将在那里进行操作。我忍不住觉得在熊猫身上有一种神奇的方法，就是卡住了

编辑：更改问题中的数据以匹配答案。
假设您的数据帧看起来像这样，并且没有如注释中所指出的级联重叠

如果您问题中的数据结构与您的所有数据一致，那么以下内容应该可以使用。如前所述，如果存在任何级联情况，这将不起作用


注意，
df['start']
需要进行排序才能使此过程正常运行


结束时间是否总是与您的示例相同？熊猫系列的结构如何？那么
my_list
是如何创建的呢？如何处理层叠重叠？例如，以9-12、10-2和1-3为间隔，您的分组是什么？第一个和最后一个不重叠，但每个都与中间重叠。@如果不是，每个开始/结束时间可能不同。例如，四组不同的时间可能只共享9:45-10的时间：00@Josmoor98df中的每一行都包含StartTime和EndTime列。基于另一列值的groupby，我将它们全部放入一个列表中。@那是不会发生的。已设置组计划时间。时间的变化仅仅意味着患者早/晚来，或早/晚离开将第一次开始时间更改为
datetime（2019,8,7,8,45）
会减少重叠组。更新后，它也没有赶上最后一组<代码>np。拆分

解决了提出的问题。如果还有其他问题，请告诉我修改一个与另一个时间冲突的结束时间会将其丢弃。例如，

datetime（2019,8,7,9,30）、datetime（2019,8,7,12,30）

将此记录添加到第二个分组中，而它应该位于第一个分组中。要解决该特定问题，可以使用

idx=df.index[（df['end'].shift（）
df = pd.DataFrame([[datetime(2019, 8, 7, 8, 45),datetime(2019, 8, 7, 11)],
                   [datetime(2019, 8, 7, 9),datetime(2019, 8, 7, 11)],
                   [datetime(2019, 8, 7, 9, 15),datetime(2019, 8, 7, 11)],
                   [datetime(2019, 8, 7, 9, 30), datetime(2019, 8, 7, 11)],
                   [datetime(2019, 8, 7, 12, 30),datetime(2019, 8, 7, 15)],
                   [datetime(2019, 8, 7, 12, 30),datetime(2019, 8, 7, 15)],
                   [datetime(2019, 8, 7, 12, 45),datetime(2019, 8, 7, 15)],
                   [datetime(2019, 8, 7, 15, 30),datetime(2019, 8, 7, 17)],
                   [datetime(2019, 8, 7, 15, 30),datetime(2019, 8, 7, 17)],
                   [datetime(2019, 8, 7, 15, 45),datetime(2019, 8, 7, 17)],
                   [datetime(2019, 8, 7, 18, 30),datetime(2019, 8, 7, 19)],
                   [datetime(2019, 8, 7, 18, 30),datetime(2019, 8, 7, 19)],
                   [datetime(2019, 8, 7, 18, 45),datetime(2019, 8, 7, 19)]], 
                   columns = ["start", "end"])

idx = df.index[(df['end'].shift() <= df['start'])]
overlapping groups = np.split(df, idx)

[                start                 end
 0 2019-08-07 08:45:00 2019-08-07 11:00:00
 1 2019-08-07 09:00:00 2019-08-07 11:00:00
 2 2019-08-07 09:15:00 2019-08-07 11:00:00
 3 2019-08-07 09:30:00 2019-08-07 11:00:00,
                 start                 end
 4 2019-08-07 12:30:00 2019-08-07 15:00:00
 5 2019-08-07 12:30:00 2019-08-07 15:00:00
 6 2019-08-07 12:45:00 2019-08-07 15:00:00,
                 start                 end
 7 2019-08-07 15:30:00 2019-08-07 17:00:00
 8 2019-08-07 15:30:00 2019-08-07 17:00:00
 9 2019-08-07 15:45:00 2019-08-07 17:00:00,
                 start                 end
10 2019-08-07 18:30:00 2019-08-07 19:00:00
11 2019-08-07 18:30:00 2019-08-07 19:00:00
12 2019-08-07 18:45:00 2019-08-07 19:00:00]