Python 通过多个索引分配groupby的结果，应用自定义函数，返回到父数据帧

我有一个数据帧，其中我希望按2列分组，从每组第3列的奇数行中减去偶数，并将结果分配给原始数据帧中的一列。不过，我从其他答案中尝试的东西似乎都不适合我

数据帧示例：

    ID Day OtherInfo log_timestamp
    A  17   foo       t1
    A  17   bar       t2
    A  18   footoo    t3
    A  18   bar_bar   t4

其中log_timestamp是一个datetime对象

我想要的结果应该如下所示：

    ID Day OtherInfo log_timestamp duration
    A  17   foo       t1           (t2-t1)
    A  17   bar       t2 
    A  18   footoo    t3            (t4-t3)
    A  18   bar_bar   t4

我尝试过定义自己的函数、使用lambda函数和使用“apply”、“agg”、“map”和“transform”的组合，但还没有完全理解

>>my_df['duration']=my_df.groupby（['ID'，'day']）['log_timestamp'].agg（{'duration'：lambda series:（series-series.shift（））[1:：2]。重置_索引（drop=True）}）
TypeError:插入列的索引与框架索引不兼容
>>>my_df['duration']=my_df['day'].map（my_df.groupby（['ID'，'day']）['log_timestamp'].apply（{'duration'：lambda series:（series-series.shift（））[1:：2]。重置_索引（drop=True）}）
TypeError:无法损坏的类型：“dict”
>>>my_df['duration']=my_df.groupby（['ID'，'day']）['log\u timestamp'].transform（lambda series:（series-series.shift（））[1:：2]。重置_索引（drop=True））
ValueError:传递的值的长度为1，索引意味着2

我使用了以下测试数据帧（带有“true”时间戳）：

从定义一个计算2个结果值的函数开始 来自2个源值（时间戳）：

第一个返回值是差，第二个返回值是NaN

请按以下方式使用它：

df['duration'] = df.groupby(np.arange(len(df.index)) // 2)\
    .log_timestamp.transform(fn)

结果是：

  ID  Day OtherInfo       log_timestamp duration
0  A   17       foo 2019-09-01 10:20:00 01:10:00
1  A   17       bar 2019-09-01 11:30:00      NaT
2  A   18    footoo 2019-09-01 15:10:00 00:45:00
3  A   18   bar_bar 2019-09-01 15:55:00      NaT

groupby（np.arange（len（df.index））//2）是一个泛泛而谈的“习惯用法” 将数据帧（或系列）按2行（或元素）分组

然后transform（fn）生成一系列值，类似于 原始序列的“副本”（一对时间戳）

因此，第一个返回值——两个时间戳之间的差异——是 第一个元素的新值和第二个元素的NaN-值

因为目标列是时间戳类型，所以NaN是

---

转换为NaT。

这是一个出色的解决方案，但有一点需要澄清：我是否需要首先将numpy作为np导入？或者什么是np？是的，您应该将numpy作为np导入。Pandas是“在Numpy之上”构建的，因此它使用了一些在那里定义的常量。另一种选择是：代替np.nan，您可以只使用None。不需要导入Numpy，结果是一样的。

df['duration'] = df.groupby(np.arange(len(df.index)) // 2)\
    .log_timestamp.transform(fn)

  ID  Day OtherInfo       log_timestamp duration
0  A   17       foo 2019-09-01 10:20:00 01:10:00
1  A   17       bar 2019-09-01 11:30:00      NaT
2  A   18    footoo 2019-09-01 15:10:00 00:45:00
3  A   18   bar_bar 2019-09-01 15:55:00      NaT