应用于 DataFrame 段时如何加快 Pandas 中的滚动差异

Question

我有以下代码

from random import randrange, randint
from datetime import timedelta, datetime

def random_date(start, end):
    delta = end - start
    int_delta = (delta.days * 24 * 60 * 60) + delta.seconds
    random_second = randrange(int_delta)
    return start + timedelta(seconds=random_second)

from datetime import datetime
d1 = datetime.strptime('1/1/2008 1:30 PM', '%m/%d/%Y %I:%M %p')
d2 = datetime.strptime('1/1/2009 4:50 AM', '%m/%d/%Y %I:%M %p')

num_rows = 40000
num_users = 10000
events = ['page_view', 'session_start']

random_timestamps = [random_date(d1, d2).timestamp() for i in range(num_rows)]
random_users = [randint(0, num_users) for i in range(num_rows)]
random_events = [events[randint(0, 1)] for i in range(num_rows)]
df = pd.DataFrame({'event_timestamp': random_timestamps,
                   'user_pseudo_id': random_users,
                   'event_name': random_events
                   })


user_ids = df.user_pseudo_id.unique()
df.sort_values(['event_timestamp', 'event_name'], ascending=[True, False], inplace=True)

for user_id in user_ids:
  df.loc[df.user_pseudo_id == user_id, 'event_timestamp_diff'] = df[df.user_pseudo_id == user_id]['event_timestamp'].rolling(window=2).apply(np.diff)

df.event_timestamp_diff.fillna(0, inplace=True)

df是来自 Google Analytics 4 的与特定用户pseudo_user_id相关的事件（新的 session、综合浏览量等）。 我想要完成的是仅针对与特定用户相关的事件计算来自先前事件的时间戳差异。 本质上，对于此用户，此事件发生在上一个事件之后多长时间。

我以前以非常有限的方式使用rolling ，并希望有另一个选项（例如shift ）或分组逻辑，这将有助于在有大量用户的情况下加快这一速度。

Answer 1

for user_id in user_ids:
  df.loc[df.user_pseudo_id == user_id, 'event_timestamp_diff'] = df[df.user_pseudo_id == user_id]['event_timestamp'].rolling(window=2).apply(np.diff)

可以替换为

df['event_timestamp_diff'] = df.groupby('user_pseudo_id')['event_timestamp'].rolling(window=2).apply(np.diff).reset_index(0,drop=True)