我有这样一个数据帧:
In [134]: df
Out[134]:
A ID3 DATETIME
0 BRT-481028 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 13:43:27
1 BRT-481054 4a57ed0b02fa357bf3c51cc9460e8d96 2014-10-08 14:26:19
2 BRT-481076 1a682034f8cbc542f36e46215635da9a 2014-10-08 14:29:01
3 BRT-481023 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:39:34
4 BRT-481023 f88g8d7sds799asde83b2523944p9r78 2014-10-08 18:40:18
5 BRT-481033 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:44:30
6 BRT-481032 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:46:00
7 BRT-481037 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:52:15
8 BRT-481046 db959faf023e5df33032db4808882f0c 2014-10-08 18:59:59
9 BRT-481053 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:17:48
10 BRT-481065 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:21:38
每一行表示由用户触发的事件——为了本例,通过df['ID3']
中的值标识。每个事件都有很多附加属性,但我已经删掉了其他所有属性
对于我尝试构建的内容,我只需要为每个用户和每5分钟滚动周期保留一个事件。在同一时间段内,由同一个用户执行的所有其他事件都只是干扰其他逻辑的噪声,这些逻辑将进一步执行,因此应该被丢弃。因此,我需要为每个用户保留最多一条记录,滚动周期为5分钟。更具体地说,我需要保持最新的记录在任何数量的记录在同一时间段
所需的输出如下所示:
A ID3 DATETIME
0 BRT-481028 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 13:43:27
1 BRT-481054 4a57ed0b02fa357bf3c51cc9460e8d96 2014-10-08 14:26:19
2 BRT-481076 1a682034f8cbc542f36e46215635da9a 2014-10-08 14:29:01
4 BRT-481023 f88g8d7sds799asde83b2523944p9r78 2014-10-08 18:40:18
6 BRT-481032 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:46:00
7 BRT-481037 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:52:15
8 BRT-481046 db959faf023e5df33032db4808882f0c 2014-10-08 18:59:59
10 BRT-481065 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:21:38
上面第[3,5,9]
行上的记录已被丢弃,因为它们满足上述条件。另外,请注意行3
和6
之间的时间间隔是如何大于5分钟的,但是,由于同时创建了记录5
,因此滚动窗口使得这些记录被丢弃
还要注意,行4
上的记录保持不变,因为它与不同的用户相关联
编辑
现在我更进一步了,我用diff()
和groupby()
来理解这一点:
In [309]: df['diff'] = df.sort_values(by='DATETIME').groupby('ID3')['DATETIME'].transform(lambda x: x.diff())
In [310]: df
Out[310]:
A ID3 DATETIME \
0 BRT-481028 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 13:43:27
1 BRT-481054 4a57ed0b02fa357bf3c51cc9460e8d96 2014-10-08 14:26:19
2 BRT-481076 1a682034f8cbc542f36e46215635da9a 2014-10-08 14:29:01
3 BRT-481023 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:39:34
4 BRT-481023 f88g8d7sds799asde83b2523944p9r78 2014-10-08 18:40:18
5 BRT-481033 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:44:30
6 BRT-481032 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:46:00
7 BRT-481037 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 18:52:15
8 BRT-481046 db959faf023e5df33032db4808882f0c 2014-10-08 18:59:59
9 BRT-481053 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:17:48
10 BRT-481065 b76cd912ffcb97e21de83b252391b2a0 2014-10-08 19:21:38
diff
0 NaT
1 NaT
2 NaT
3 1970-01-01 04:56:07
4 NaT
5 1970-01-01 00:04:56
6 1970-01-01 00:01:30
7 1970-01-01 00:06:15
8 NaT
9 1970-01-01 00:25:33
10 1970-01-01 00:03:50
我似乎无法获得差异的秒数。我尝试过:
>> findTheDiff = lambda x: x.diff().astype(np.int64)
在上面的lambda
的地方,但这并没有什么区别
我希望'1970-01-01 00:01:30'
变成'90'
谢谢你的帮助
在本例中,
transform()
似乎没有返回与已知issue相关的正确数据类型使用
transform()
确实应该在这里工作,但是,考虑到不稳定的行为,解决方法是尝试以下方法:这还返回一个类似索引的DF(正如
transform
所做的那样),并且做得很好原始答案以及有关
transform()
故障的更多信息可以找到herediff
正在返回具有seconds
属性的Timedelta
对象解决方案(可能)
相关问题 更多 >
编程相关推荐