python - 如何在 pandas 中使用 lead in days 添加标识符列？

Question

我有以下 Pandas 表:

name date_time
jon  10/01/2019
jon  11/01/2019
jon  12/01/2019
jon  25/01/2019
sam  03/04/2019
sam  18/04/2019
sam  19/04/2019
sam  29/04/2019
fred 02/02/2019
fred 03/02/2019
fred 12/02/2019
fred 13/02/2019

pandas 中的列类型是 - name 是字符串，date_time 是 datetime64[ns, UTC] 格式

我想创建一个新列，它允许我根据每个用户出现在数据中的日期来确定用户是在一个“ session ”还是另一个“ session ”中。

“ session ”是用户首次记录 date_time 值的前 10 天，前 10 天之后的任何内容都是另一个“ session ”。

这并不意味着每 10 天一个新标识符，这意味着只需要制作 2 个标识符 - 一个用于从第一个 date_time 值开始的前 10 天，一个从第 11 天开始。

我想让这些 session 值是唯一的并且相对于人的名字 - 我可能会使用一些字符串连接来完成它但它应该是这样的:

例如它应该看起来像这样:

name date_time  session_identifier
jon  10/01/2019 jon_session_1_id
jon  11/01/2019 jon_session_1_id
jon  12/01/2019 jon_session_1_id
jon  25/01/2019 jon_session_2_id
sam  03/04/2019 sam_session_1_id
sam  18/04/2019 sam_session_2_id
sam  19/04/2019 sam_session_2_id
sam  29/04/2019 sam_session_2_id
fred 02/02/2019 fred_session_1_id
fred 03/02/2019 fred_session_1_id
fred 12/02/2019 fred_session_2_id
fred 13/02/2019 fred_session_2_id

如您所见，以用户 jon 为例:

我想在这里创建一个标识符(我称之为 jon_session_1_id)，这在从第一个 date_time 值开始的 10 天内重复 - 这是 10/01/2019 所以 jon_session_1_id 将作为 session_identifier 重复直到20/01/2019 然后它将更改为 jon_session_2_id。

每个 session_id 都与人名相关。

这在 Python 中如何完成？我知道这应该是基于使用引导函数的 when/switch 语句的情况 - 但不确定从哪里开始。

Answer 1

您可能会发现累积差异并应用 lambda。示例代码如下

df = pd.DataFrame({
    'name' : ('jon','jon','jon','jon','sam','sam','sam','sam','fred','fred','fred','fred'),
    'date_time' : [datetime.strptime(d, '%d/%m/%Y') for d in ('10/01/2019', '11/01/2019', '12/01/2019', '25/01/2019', '03/04/2019', '18/04/2019', '19/04/2019', '29/04/2019', '02/02/2019', '03/02/2019', '12/02/2019', '13/02/2019')]
})
df = df[['name', 'date_time']]
df = df.sort_values(['name', 'date_time'])
df['diffs'] = df.groupby(['name'])['date_time'].transform(lambda x: x.diff().dt.days)
df = df.groupby(['name','date_time']).sum().groupby('name').cumsum().reset_index()
df['session_identifier'] = df.apply(lambda row : row['name'] + '_session_' + str(2 if row['diffs'] > 10 else 1) + '_id', axis=1)
df

输出是

    name    date_time   diffs   session_identifier
0   fred    2019-02-02  0.0     fred_session_1_id
1   fred    2019-02-03  1.0     fred_session_1_id
2   fred    2019-02-12  10.0    fred_session_1_id
3   fred    2019-02-13  11.0    fred_session_2_id
4   jon     2019-01-10  0.0     jon_session_1_id
5   jon     2019-01-11  1.0     jon_session_1_id
6   jon     2019-01-12  2.0     jon_session_1_id
7   jon     2019-01-25  15.0    jon_session_2_id
8   sam     2019-04-03  0.0     sam_session_1_id
9   sam     2019-04-18  15.0    sam_session_2_id
10  sam     2019-04-19  16.0    sam_session_2_id
11  sam     2019-04-29  26.0    sam_session_2_id