如果日期在其他两个列中的两个日期之间，则求和并分组并创建新的分组数据框 - pandas

Question

我有以下数据框：

我需要的是总结每个“标题”的综合浏览量值并创建两个新列：

1. PT+3：前3天的浏览量，表示浏览量的“日期”栏是否在“发布日期”和“T+3”日期之间。
2. PT+30：是前30天不包括前3天的浏览量，即如果“日期”在T+3到T+30之间。

所以我的最终表格将是这样的：帖子 ID - 发布日期 - 标题 - 永久链接 - 类别 - 作者姓名 - 总页面浏览量（这是没有任何过滤器的页面浏览量的总和） - 国家 - PT+3 - PT+30

谢谢...

  Post ID Published Date                          Title  \
0   824821     2022-05-10  Tom Brady's net worth in 2022   
1   824821     2022-05-10  Tom Brady's net worth in 2022   
2   824821     2022-05-10  Tom Brady's net worth in 2022   

                                           Permalink  \
0  https://clutchpoints.com/tom-bradys-net-worth-...   
1  https://clutchpoints.com/tom-bradys-net-worth-...   
2  https://clutchpoints.com/tom-bradys-net-worth-...   

                                Categories  Author Name        T+3       T+30  \
0  Editorials|Evergreen|NFL|NFL Editorials  Greg Patuto 2022-05-13 2022-06-09   
1  Editorials|Evergreen|NFL|NFL Editorials  Greg Patuto 2022-05-13 2022-06-09   
2  Editorials|Evergreen|NFL|NFL Editorials  Greg Patuto 2022-05-13 2022-06-09   

     country  pageviews        date  
0  Australia         24  2022-05-26  
1      India         24  2022-05-24  
2      India         12  2022-05-26  

在此处输入图像描述

Answer 1

好的，所以我怀疑这是最好的方法，但这就是我解决类似问题的方法。

注意：您必须将日期列转换为日期时间类型才能进行比较。 这可能会解决其他评论者的错误

df['Published Date'] = pd.to_datetime(df['Published Date']).apply(lambda x: x.date())
df['date'] = pd.to_datetime(df['date']).apply(lambda x: x.date())

首先，我为 output dataframe 格式创建了一个字典：

aggregate_df = {'Post Id':[],'Published Date':[],'Title':[],'Permalink':[],'Categories':[],'Author Name':[],'Total Page Views':[],'PT+3':[],'PT+30':[]}

然后我遍历标题列中的每个唯一标题，并为每个标题过滤 dataframe。 然后我将每个值附加到 output 字典（其中大多数是 .max() ，但你也可以使用 [0] 例如，你选择哪个值并不重要，因为它们是相同的 - 在总页之外您想要总和的视图）。

然后，您可以进一步过滤 temp df 以仅显示您要计算的范围内的日期，并将 append 这些总和添加到 output 字典中。

for title in df['Title'].unique():
    _df = df.loc[(df['Title'] == title)]
    
    aggregate_df['Post Id'].append(_df['Post_Id'].max())
    aggregate_df['Published Date'].append(_df['Published Date'].max())
    aggregate_df['Title'].append(_df['Title'].max())
    aggregate_df['Permalink'].append(_df['Permalink'].max())
    aggregate_df['Categories'].append(_df['Categories'].max())
    aggregate_df['Author Name'].append(_df['Author Name'].max())
    aggregate_df['Total Page Views'].append(_df['Page Views'].sum())
    
    start_period = _df['Published Date'].max()
    end_period = _df['Published Date'].max() + dt.timedelta(days=3)
    
    _df = df.loc[(df['Title'] == title) & (df['date'] >= start_period)& (df['date'] <= end_period)]
    aggregate_df['PT+3'].append(_df['Page Views'].sum())
    
    start_period = _df['Published Date'].max() + dt.timedelta(days=3)
    end_period = _df['Published Date'].max() + dt.timedelta(days=30)
    
    _df = df.loc[(df['Title'] == title) & (df['date'] >= start_period) & (df['date'] <= end_period)]
    aggregate_df['PT+30'].append(_df['Page Views'].sum())

aggregate_df = pd.DataFrame(aggregate_df)

Answer 2

IIUC，尝试：

1. 检查视图的“日期”是否在发布日期后的 3（和 30）天内。
2. 聚合满足上述条件的视图。
3. groupby和sum

df["Views3"] = df["date"].le(df["T+3"]).mul(df["pageviews"]).groupby(df["Title"]).transform("sum")
df["Views30"] = df["date"].le(df["T+30"]).mul(df["pageviews"]).groupby(df["Title"]).transform("sum")