如何使用Python在一个时间段内对行进行分组
我有一些事务的如何使用Python在一个时间段内对行进行分组,python,datetime,pandas,grouping,python-datetime,Python,Datetime,Pandas,Grouping,Python Datetime,我有一些事务的DataFrame。我想根据项目和时间列值对这些事务进行分组:目标是对彼此相隔1小时的项目进行分组。因此,我们在下一次观察时开始了一个新的组,该时间段不在观察前一个小时内(请参见DataFrameB中的start time列) 以下是数据:我想将A转换为B A= item time result A 2016-04-18 13:08:25 Y A 2016-04-18 13:57:05 N A 2016-04-18 14:00:12
DataFrame
。我想根据项目
和时间
列值对这些事务进行分组:目标是对彼此相隔1小时的项目进行分组。因此,我们在下一次观察时开始了一个新的组,该时间段不在观察前一个小时内(请参见DataFrame
B
中的start time
列)
以下是数据:我想将A
转换为B
A=
item time result
A 2016-04-18 13:08:25 Y
A 2016-04-18 13:57:05 N
A 2016-04-18 14:00:12 N
A 2016-04-18 23:45:50 Y
A 2016-04-20 16:53:48 Y
A 2016-04-20 17:11:47 N
B 2016-04-18 15:24:48 N
C 2016-04-23 13:20:44 N
C 2016-04-23 14:02:23 Y
B=
item start time end time Ys Ns total count
A 2016-04-18 13:08:25 2016-04-18 14:08:25 1 2 3
A 2016-04-18 23:45:50 2016-04-18 00:45:50 1 0 1
A 2016-04-20 16:53:48 2016-04-20 17:53:48 1 1 2
B 2016-04-18 15:24:48 2016-04-18 16:24:48 0 1 1
C 2016-04-23 13:20:44 2016-04-23 14:20:44 1 1 2
以下是我所做的:
grouped = A.groupby('item')
A['end'] = (grouped['time'].transform(lambda grp: grp.min()+pd.Timedelta(hours=1)))
A2 = A.loc[(A['time'] <= A['end'])]
grouped=A.groupby('item'))
A['end']=(分组的['time'].transform(lambda-grp:grp.min()+pd.Timedelta(小时=1)))
A2=A.loc[(A['time']1)设置一个窗口结束
列供以后与.groupby()
一起使用,并定义.get\u windows()
检查每个项目
组的行
是否适合当前的1小时窗口,或者不做任何操作并保留初始化值。适用于所有项目
组:
df['window_end'] = df.time + pd.Timedelta('1H')
def get_windows(data):
window_end = data.iloc[0].window_end
for index, row in data.iloc[1:].iterrows():
if window_end > row.time:
df.loc[index, 'window_end'] = window_end
else:
window_end = row.window_end
df.groupby('item').apply(lambda x: get_windows(x))
2) 将窗口
和项
与.groupby()
一起使用,并将.value\u counts()
作为转置
数据帧
,清理索引
,并添加总计
:
df = df.groupby(['window_end', 'item']).result.apply(lambda x: x.value_counts().to_frame().T)
df = df.fillna(0).astype(int).reset_index(level=2, drop=True)
df['total'] = df.sum(axis=1)
要获得:
N Y total
window_end item
2016-04-18 14:08:25 A A 2 1 3
2016-04-18 16:24:48 B B 1 0 1
2016-04-19 00:45:50 A A 0 1 1
2016-04-20 17:53:48 A A 1 1 2
2016-04-23 14:20:44 C C 1 1 2
受Stefan解决方案的启发(+1),我得出了以下结论:
B = (A.groupby(['item', A.groupby('item')['time']
.diff().fillna(0).dt.total_seconds()//60//60
],
as_index=False)['time'].min()
)
B[['N','Y']] = (A.groupby(['item', A.groupby('item')['time']
.diff().fillna(0).dt.total_seconds()//60//60
])['result']
.apply(lambda x: x.value_counts().to_frame().T).fillna(0)
.reset_index()[['N','Y']]
)
输出:
In [178]: B
Out[178]:
item time N Y
0 A 2016-04-18 13:08:25 3.0 1.0
1 A 2016-04-18 23:45:50 0.0 1.0
2 A 2016-04-20 16:53:48 0.0 1.0
3 B 2016-04-18 15:24:48 1.0 0.0
4 C 2016-04-23 13:20:44 1.0 1.0
PS想法是使用A.groupby('item')['time'].diff().fillna(0).dt.total_seconds()//60//60
作为分组的一部分:
In [179]: A.groupby('item')['time'].diff().fillna(0).dt.total_seconds()//60//60
Out[179]:
0 0.0
1 0.0
2 0.0
3 9.0
4 41.0
5 0.0
6 0.0
7 0.0
8 0.0
Name: time, dtype: float64
安装程序
解决方案
我需要创建几个流程函数:
def set_time_group(df):
cur_time = pd.NaT
for index, row in df.iterrows():
if pd.isnull(cur_time):
cur_time = row.time
delta = row.time - cur_time
if delta.seconds / 3600. < 1:
df.loc[index, 'time_ref'] = cur_time
else:
df.loc[index, 'time_ref'] = row.time
cur_time = row.time
return df
def summarize_results(df):
df_ = df.groupby('result').count().iloc[:, 0]
df_.loc['total count'] = df_.sum()
return df_
dfg1 = df.groupby('item').apply(set_time_group)
dfg2 = dfg1.groupby(['item', 'time_ref']).apply(summarize_results)
df_f = dfg2.unstack().fillna(0)
还有很多问题没有回答。比如,在何时开始的一个小时内分组?第一次观察的一个小时?下一个小时如何?它是在最后一个小时结束时开始的?还是我们在下一次观察的时候开始一个新的小时,而不是在之前观察的一个小时内?在你的代码中什么是分组的你明白了吗?@piRSquared我给问题添加了更多的细节来澄清。@MaxU我按项目分组,我把它添加到了问题中。谢谢,是的,很遗憾我不能用小时作为我的分组。谢谢,几句评论。在你的第二步中,windows
应该被window\u end
,和,对吗?你可能还想使用另一个用于你的
result`DataFrame,这样它就不会与列result
错误。没错,在这里编辑时一直在修改代码,这不是一个好主意。现在应该可以工作了。Thatnks@MaxU,我得到了AttributeError:“TimedeltaProperties”对象没有属性“total_seconds”
错误。我有导入日期时间作为dt
。
def set_time_group(df):
cur_time = pd.NaT
for index, row in df.iterrows():
if pd.isnull(cur_time):
cur_time = row.time
delta = row.time - cur_time
if delta.seconds / 3600. < 1:
df.loc[index, 'time_ref'] = cur_time
else:
df.loc[index, 'time_ref'] = row.time
cur_time = row.time
return df
def summarize_results(df):
df_ = df.groupby('result').count().iloc[:, 0]
df_.loc['total count'] = df_.sum()
return df_
dfg1 = df.groupby('item').apply(set_time_group)
dfg2 = dfg1.groupby(['item', 'time_ref']).apply(summarize_results)
df_f = dfg2.unstack().fillna(0)
print df_f
result N Y total count
item time_ref
A 2016-04-18 13:08:25 2.0 1.0 3.0
2016-04-18 23:45:50 0.0 1.0 1.0
2016-04-20 16:53:48 1.0 1.0 2.0
B 2016-04-18 15:24:48 1.0 0.0 1.0
C 2016-04-23 13:20:44 1.0 1.0 2.0