Python 在数据帧/时间序列中累积入口和出口

假设我有一个房间和一个数据框（/timeseries）

df

，它在一列

df['timestamp']

中有每分钟的时间戳，在另外两列

df['entries']

和

df['exits']

（这些可能是0）。
现在我想创建第四列，它告诉我房间里有多少人

df['count']

当我尝试

df['count'] = 0
df['count'] = df.apply(lambda x: x['count'].shift(periods=1) + x['entries'] - x['exits'], axis=1)

我得到一个“AtributeError:'int'对象没有属性'shift'”
谁能告诉我我做错了什么

---

原因是lambda函数被传递一行数据帧给函数。它是熊猫系列对象，

x['count']

只是一个数字。请注意，number没有shift属性

我不知道计算所需函数的快捷方式，所以我会编写一个手动循环

df['count'] = 0
for i, row in df.iterrows():
    if i == 0:
        # set up value for the first row
        df.loc[0, 'count'] = row['entries'] - row['exits']
    else:
        # compute values for all other rows
        df.iloc[i, 'count'] = prev + row['entries'] - row['exits']
    prev = df.iloc[i, 'count'] # store previous value

这个怎么样

data = { 'count' : [0,0,0,0,0], 'into' : [1,4,3,2,4], 'out':[0,4,1,3,2]}
df = pd.DataFrame(data)

我们有数据

    count   into    out
0   0       1       0
1   0       4       4
2   0       3       1
3   0       2       3
4   0       4       2

还有这个

df['countitem'] = df['into'] - df['out']
df['count'] = df['countitem'].cumsum()

给予

这里有一个方法

首先，你必须找出入口和出口的区别。然后你必须把这些值累加起来。这会给你想要的结果。请注意，如果第一行的出口多于入口，则第1行可能以负值结束

因为我没有你的数据，所以我生成了随机数。实际上，房间里不会有消极的人。所以，当你运行我的代码时，有可能你会在房间里遇到消极的人。这是因为随机整数的生成方式。如果这是针对实际值运行的，您将获得所需的结果

import pandas as pd
import random

from datetime import datetime

datelist = pd.date_range(start='2021-01-17', end=datetime.today(), freq='60min')
entries = random.sample(range(0,40),len(datelist))
exits = random.sample(range(0,20),len(datelist))
df = pd.DataFrame({'date':datelist,'entries':entries,'exits':exits})

df['diff'] = df['entries'] - df['exits']
df['diff'] = df['diff'].cumsum()
print (df)

                  date  entries  exits
0  2021-01-17 00:00:00       12     12
1  2021-01-17 01:00:00       31     14
2  2021-01-17 02:00:00       33     15
3  2021-01-17 03:00:00       29     11
4  2021-01-17 04:00:00        8     13
5  2021-01-17 05:00:00        5      2
6  2021-01-17 06:00:00       16      1
7  2021-01-17 07:00:00        3      5
8  2021-01-17 08:00:00       38     18
9  2021-01-17 09:00:00       37      0
10 2021-01-17 10:00:00       13      9
11 2021-01-17 11:00:00       27     17
12 2021-01-17 12:00:00        2     10
13 2021-01-17 13:00:00       14      7
14 2021-01-17 14:00:00       35      3
15 2021-01-17 15:00:00       26      8
16 2021-01-17 16:00:00       28      4
                  date  entries  exits  diff
0  2021-01-17 00:00:00       12     12     0
1  2021-01-17 01:00:00       31     14    17
2  2021-01-17 02:00:00       33     15    35
3  2021-01-17 03:00:00       29     11    53
4  2021-01-17 04:00:00        8     13    48
5  2021-01-17 05:00:00        5      2    51
6  2021-01-17 06:00:00       16      1    66
7  2021-01-17 07:00:00        3      5    64
8  2021-01-17 08:00:00       38     18    84
9  2021-01-17 09:00:00       37      0   121
10 2021-01-17 10:00:00       13      9   125
11 2021-01-17 11:00:00       27     17   135
12 2021-01-17 12:00:00        2     10   127
13 2021-01-17 13:00:00       14      7   134
14 2021-01-17 14:00:00       35      3   166
15 2021-01-17 15:00:00       26      8   184
16 2021-01-17 16:00:00       28      4   208

---

你能分享一个样本数据集吗。它是记录每一个人的进出，还是每分钟记录一次每分钟进出人数的摘要。它是每分钟记录一次摘要。我实际上想分享df，但我不知道我的回答如何帮助您获得解决方案。你所需要做的就是得到差异，然后做一个总和来跟踪里面的人

import pandas as pd
import random

from datetime import datetime

datelist = pd.date_range(start='2021-01-17', end=datetime.today(), freq='60min')
entries = random.sample(range(0,40),len(datelist))
exits = random.sample(range(0,20),len(datelist))
df = pd.DataFrame({'date':datelist,'entries':entries,'exits':exits})

df['diff'] = df['entries'] - df['exits']
df['diff'] = df['diff'].cumsum()
print (df)

                  date  entries  exits
0  2021-01-17 00:00:00       12     12
1  2021-01-17 01:00:00       31     14
2  2021-01-17 02:00:00       33     15
3  2021-01-17 03:00:00       29     11
4  2021-01-17 04:00:00        8     13
5  2021-01-17 05:00:00        5      2
6  2021-01-17 06:00:00       16      1
7  2021-01-17 07:00:00        3      5
8  2021-01-17 08:00:00       38     18
9  2021-01-17 09:00:00       37      0
10 2021-01-17 10:00:00       13      9
11 2021-01-17 11:00:00       27     17
12 2021-01-17 12:00:00        2     10
13 2021-01-17 13:00:00       14      7
14 2021-01-17 14:00:00       35      3
15 2021-01-17 15:00:00       26      8
16 2021-01-17 16:00:00       28      4
                  date  entries  exits  diff
0  2021-01-17 00:00:00       12     12     0
1  2021-01-17 01:00:00       31     14    17
2  2021-01-17 02:00:00       33     15    35
3  2021-01-17 03:00:00       29     11    53
4  2021-01-17 04:00:00        8     13    48
5  2021-01-17 05:00:00        5      2    51
6  2021-01-17 06:00:00       16      1    66
7  2021-01-17 07:00:00        3      5    64
8  2021-01-17 08:00:00       38     18    84
9  2021-01-17 09:00:00       37      0   121
10 2021-01-17 10:00:00       13      9   125
11 2021-01-17 11:00:00       27     17   135
12 2021-01-17 12:00:00        2     10   127
13 2021-01-17 13:00:00       14      7   134
14 2021-01-17 14:00:00       35      3   166
15 2021-01-17 15:00:00       26      8   184
16 2021-01-17 16:00:00       28      4   208