Python 使用熊猫计算未完成事件的数量

我有一个带有3个事件时间戳的数据帧：e0、e1和e2。其他列是行id和目标变量

为了进行说明，假设这是一个电子商务部分的数据集

• e0：用户打开网站的时间
• e1：用户选择项目的时间
• e2：用户购买物品的时间

我想为每个用户统计（或计算其他统计数据），目前有多少用户处于事件1和事件2之间

我已设法使用

pandasql

，但没有使用本机pandas函数：

import pandas as pd
from pandas import Timestamp
from pandasql import sqldf

df = pd.DataFrame({'id': {0: 0, 1: 1, 2: 2, 3: 3, 5: 5, 4: 4, 6: 6, 7: 7},
 'e0': {0: Timestamp('2020-01-01 12:00:00'),
  1: Timestamp('2020-01-01 12:10:00'),
  2: Timestamp('2020-01-01 12:11:00'),
  3: Timestamp('2020-01-01 12:20:00'),
  5: Timestamp('2020-01-01 12:20:00'),
  4: Timestamp('2020-01-01 12:24:00'),
  6: Timestamp('2020-01-01 12:50:00'),
  7: Timestamp('2020-01-01 12:55:00')},
 'e1': {0: Timestamp('2020-01-01 12:20:00'),
  1: Timestamp('2020-01-01 12:55:00'),
  2: Timestamp('2020-01-01 12:31:00'),
  3: Timestamp('2020-01-01 12:40:00'),
  5: Timestamp('2020-01-01 12:50:00'),
  4: Timestamp('2020-01-01 12:54:00'),
  6: Timestamp('2020-01-01 13:03:00'),
  7: Timestamp('2020-01-01 13:00:00')},
 'e2': {0: Timestamp('2020-01-01 12:25:00'),
  1: Timestamp('2020-01-01 13:00:00'),
  2: Timestamp('2020-01-01 12:36:00'),
  3: Timestamp('2020-01-01 12:56:00'),
  5: Timestamp('2020-01-01 13:30:00'),
  4: Timestamp('2020-01-01 12:58:00'),
  6: Timestamp('2020-01-01 13:50:00'),
  7: Timestamp('2020-01-01 13:20:00')},
 'target': {0: '100',
  1: '120',
  2: '110',
  3: '105',
  5: '120',
  4: '140',
  6: '130',
  7: '200'}})


sqldf("""
SELECT df1.id, COUNT(df2.id)
FROM df df1
JOIN df df2 ON df1.e0 > df2.e1 AND df1.e0 < df2.e2
GROUP BY df1.id

""")

将熊猫作为pd导入
从导入时间戳
从pandasql导入sqldf
数据帧（{'id'：{0:0，1:1，2:2，3:3，5:5，4:4，6:6，7:7}，
'e0'：{0:Timestamp（'2020-01-01 12:00:00'），
1：时间戳（'2020-01-01 12:10:00'），
2：时间戳（'2020-01-01 12:11:00'），
3：时间戳（'2020-01-01 12:20:00'），
5：时间戳（'2020-01-01 12:20:00'），
4：时间戳（'2020-01-01 12:24:00'），
6：时间戳（'2020-01-01 12:50:00'），
7：时间戳（'2020-01-01 12:55:00'），
“e1”：{0:Timestamp（'2020-01-01 12:20:00'），
1：时间戳（'2020-01-01 12:55:00'），
2：时间戳（'2020-01-01 12:31:00'），
3：时间戳（'2020-01-01 12:40:00'），
5：时间戳（'2020-01-01 12:50:00'），
4：时间戳（'2020-01-01 12:54:00'），
6：时间戳（'2020-01-01 13:03:00'），
7：时间戳（'2020-01-01 13:00:00'），
“e2”：{0:Timestamp（'2020-01-01 12:25:00'），
1：时间戳（'2020-01-01 13:00:00'），
2：时间戳（'2020-01-01 12:36:00'），
3：时间戳（'2020-01-01 12:56:00'），
5：时间戳（'2020-01-01 13:30:00'），
4：时间戳（'2020-01-01 12:58:00'），
6：时间戳（'2020-01-01 13:50:00'），
7：时间戳（'2020-01-01 13:20:00'），
'target'：{0:'100'，
1: '120',
2: '110',
3: '105',
5: '120',
4: '140',
6: '130',
7: '200'}})
sqldf（“”）
选择df1.id，计数（df2.id）
来自df df1
在df1.e0>df2.e1和df1.e0

或者，就像我说的，计算统计数据：

sqldf("""

SELECT df1.id, AVG(df2.target)
FROM df df1
JOIN df df2 ON df1.e0 > df2.e1 AND df1.e0 < df2.e2
GROUP BY df1.id
""")

sqldf（“”）
选择df1.id，平均值（df2.target）
来自df df1
在df1.e0>df2.e1和df1.e0

使用

df.merge

和

query

操作作为过滤器，您可以在查询中获得相同的结果

对于您的第一个查询：

res1=df.assign（key=1.merge）(
df.分配（键=1），
on=“key”，
后缀=[“”，“_2”]
).查询(
“e0>e1_2&e0

关于第二个问题：

df[“target”]=df.target.astype（int）
res2=df.assign（key=1.merge）(
df.分配（键=1），
on=“key”，
后缀=[“”，“_2”]
).查询(
“e0>e1_2&e0

信息不足。我们不清楚处于事件1和事件2之间的用户是什么样子。没有期望的输出。嘿，期望的输出非常像foglerit PresentedHanks！这适用于玩具示例，但随着数据帧的增长，它会爆炸。我正在寻找一个具有类似性能的解决方案