Python 尝试根据相应的指数减去两个不同系列之间的值

以下是两个系列。它们是根据两列值对数据帧进行分组后生成的，

patient\u id

和

event\u description

：

系列1：

patient_id                                event_description     
A                                             DiagnosisA          2016-09-15
B                                             DiagnosisA          2013-01-01
C                                             DiagnosisA         2016-01-10
D                                             DiagnosisA          2015-01-02

系列2：

patient_id                                 event_description     
A                                             DiagnosisB          2016-09-30
B                                             DiagnosisB          2013-01-04
D                                             DiagnosisB          2015-01-15

---

所以我想找出每个病人之间的时间差异。例如，对于患者

A

它将返回15天，但是对于患者

C

，它可能会说'NaN.

如果

事件描述

列在这里没有作用，我建议将其删除。调用

reset\u index

并减去结果

r1 = df1.reset_index(level=1, drop=1)
r2 = df2.reset_index(level=1, drop=1)

r = r2.sub(r1)

r
           time
patient_id        
A          15 days
B           3 days
C              NaT
D          13 days

---

如果

event\u description

列在这里没有任何作用，我建议将其删除。调用

reset\u index

并减去结果

r1 = df1.reset_index(level=1, drop=1)
r2 = df2.reset_index(level=1, drop=1)

r = r2.sub(r1)

r
           time
patient_id        
A          15 days
B           3 days
C              NaT
D          13 days

---

您可以使用

reset\u index

，我们也可以使用

droplevel

即

df2.index = df2.index.droplevel(1)
df1.index = df1.index.droplevel(1)

df2 - df1

输出：

time patient_id A 15 days B 3 days C NaT D 13 days 时间 病人编号 A 15天 B三天 C纳特 D 13天

---

您可以使用

reset\u index

，我们也可以使用

droplevel

即

df2.index = df2.index.droplevel(1)
df1.index = df1.index.droplevel(1)

df2 - df1

输出：

time patient_id A 15 days B 3 days C NaT D 13 days 时间 病人编号 A 15天 B三天 C纳特 D 13天

---

假设您的

groupby

同时包含

DiagnosisB

和

DiagnosisA

，您可以

事先取消堆栈

并减去

# This should be what you have after groupby
s = pd.concat([s1, s2])

s

patient_id  event_description
A           DiagnosisA          2016-09-15
B           DiagnosisA          2013-01-01
C           DiagnosisA          2016-01-10
D           DiagnosisA          2015-01-02
A           DiagnosisB          2016-09-30
B           DiagnosisB          2013-01-04
D           DiagnosisB          2015-01-15
Name: Date, dtype: datetime64[ns]

s.unstack().pipe(lambda d: d.DiagnosisB - d.DiagnosisA)

patient_id
A   15 days
B    3 days
C       NaT
D   13 days
dtype: timedelta64[ns]

然后您可以

取消堆叠

并减去

# This should be what you have after groupby
s = pd.concat([s1, s2])

s

patient_id  event_description
A           DiagnosisA          2016-09-15
B           DiagnosisA          2013-01-01
C           DiagnosisA          2016-01-10
D           DiagnosisA          2015-01-02
A           DiagnosisB          2016-09-30
B           DiagnosisB          2013-01-04
D           DiagnosisB          2015-01-15
Name: Date, dtype: datetime64[ns]

s.unstack().pipe(lambda d: d.DiagnosisB - d.DiagnosisA)

patient_id
A   15 days
B    3 days
C       NaT
D   13 days
dtype: timedelta64[ns]

---

不推荐使用
但是使用

取消堆叠

和

挤压

---

也不推荐使用
但是玩

xs很有趣


最终非推荐

必须显示
pd.indexlice


注意：需要对索引进行完全排序，这样才能工作

s1.loc[pd.IndexSlice[:, 'DiagnosisA']].rsub(s2.loc[pd.IndexSlice[:, 'DiagnosisB']])

patient_id
A   15 days
B    3 days
C       NaT
D   13 days
Name: Date, dtype: timedelta64[ns]

假设您的
groupby
同时包含
DiagnosisB
和
DiagnosisA
，您可以
事先取消堆栈
并减去

# This should be what you have after groupby
s = pd.concat([s1, s2])

s

patient_id  event_description
A           DiagnosisA          2016-09-15
B           DiagnosisA          2013-01-01
C           DiagnosisA          2016-01-10
D           DiagnosisA          2015-01-02
A           DiagnosisB          2016-09-30
B           DiagnosisB          2013-01-04
D           DiagnosisB          2015-01-15
Name: Date, dtype: datetime64[ns]

s.unstack().pipe(lambda d: d.DiagnosisB - d.DiagnosisA)

patient_id
A   15 days
B    3 days
C       NaT
D   13 days
dtype: timedelta64[ns]

然后您可以
取消堆叠
并减去

# This should be what you have after groupby
s = pd.concat([s1, s2])

s

patient_id  event_description
A           DiagnosisA          2016-09-15
B           DiagnosisA          2013-01-01
C           DiagnosisA          2016-01-10
D           DiagnosisA          2015-01-02
A           DiagnosisB          2016-09-30
B           DiagnosisB          2013-01-04
D           DiagnosisB          2015-01-15
Name: Date, dtype: datetime64[ns]

s.unstack().pipe(lambda d: d.DiagnosisB - d.DiagnosisA)

patient_id
A   15 days
B    3 days
C       NaT
D   13 days
dtype: timedelta64[ns]


不推荐使用

但是使用
取消堆叠
和
挤压


也不推荐使用

但是玩
xs很有趣


最终非推荐

必须显示
pd.indexlice


注意：需要对索引进行完全排序，这样才能工作

s1.loc[pd.IndexSlice[:, 'DiagnosisA']].rsub(s2.loc[pd.IndexSlice[:, 'DiagnosisB']])

patient_id
A   15 days
B    3 days
C       NaT
D   13 days
Name: Date, dtype: timedelta64[ns]

输出不是零吗？@Bharathshetty如果它们是datetimes，结果将是一个时间增量，除非我遗漏了什么。r2-r2相互取消哈哈：）@Bharathshetty LOL谢谢老兄。输出不是零吗？@Bharathshetty如果它们是datetimes，结果将是一个时间增量，除非我错过了什么。r2-r2互相取消哈哈：）@Bharathshetty哈哈，谢谢老兄。还是不太熟悉管道，应该多学点，很酷。这感觉像是魔术师，对管道不太熟悉的人应该学习更多关于它的知识，它很酷。这感觉像魔术