获取自上次在组中出现某个值以来的天数

Question

我有以下 dataframe：

客户ID	开始日期	结束日期	事件
1个	2022-01-01	2022-01-03	错误的
1个	2022-01-02	2022-01-04	真的
1个	2022-01-04	2022-01-06	错误的
1个	2022-01-05	2022-01-08	错误的
1个	2022-01-05	2022-01-06	错误的

我知道想知道每个客户和行，最后一次事件发生在多少天前。 准确地说：对于每一行，我想知道从 start_date 到最后一行事件的 end_date 的天数 == True

这将是所需的 output。

客户ID	开始日期	结束日期	事件	days_since_last_incident
1个	2022-01-01	2022-01-03	错误的	楠
1个	2022-01-02	2022-01-04	真的	楠
1个	2022-01-04	2022-01-06	错误的	0
1个	2022-01-05	2022-01-08	错误的	1个
1个	2022-01-05	2022-01-06	错误的	1个

有一个优雅的解决方案吗？

到目前为止，我尝试使用应用 function，然后将另一个 function 应用到每一行，但是对于那些没有任何先前事件的行，这会引发越界错误。 到目前为止，这是我的尝试。 它仅适用于具有先前事件的行：

def days_since_last_incident(group):
    group["days_since_last_incidents"] = group.apply(
        lambda row: (
            row["start_date"]
            - (
                group[
                    (group["incident"] == True)
                    & (group["end_date"] <= row["start_date"])
                ]["end_date"].values
            )
        ).days,
        axis=1,
    )


df.groupby("customer_id").apply(days_since_last_incident)

Answer 1

尝试（下面的解释）：

# Not mandatory if start_date and end_date are already DatetimeIndex
df['start_date'] = pd.to_datetime(df['start_date'])
df['end_date'] = pd.to_datetime(df['end_date'])

def days_from_last_incident(df):
    return (df['end_date'].where(df['incident']).ffill()
                          .rsub(df['start_date'])
                          .mask(df['incident'])
                          .dt.days.to_frame())
    
df['days'] = df.groupby(['customer_id'], group_keys=False).apply(days_from_last_incident)

Output：

>>> out

   customer_id start_date   end_date  incident  days
0            1 2022-01-01 2022-01-03     False   NaN
1            1 2022-01-02 2022-01-04      True   NaN
2            1 2022-01-04 2022-01-06     False   0.0
3            1 2022-01-05 2022-01-08     False   1.0
4            1 2022-01-05 2022-01-06     False   1.0

第一组的步骤（customer_id=1）

# Step 1: keep only end_date where incident is true the front fill the end date
>>> out = df['end_date'].where(df['incident']).ffill()
0          NaT
1   2022-01-04
2   2022-01-04
3   2022-01-04
4   2022-01-04

# Step 2: (right) subtract start_date
>>> out = out.rsub(df['start_date'])
0       NaT
1   -2 days
2    0 days
3    1 days
4    1 days

# Step 3: remove delta for all rows where incident is true
>>> out = out.mask(df['incident'])
0      NaT
1      NaT
2   0 days
3   1 days
4   1 days
dtype: timedelta64[ns]

# Step 4: keep the day part of timedelta
>>> out = out.dt.days.to_frame()
     0
0  NaN
1  NaN
2  0.0
3  1.0
4  1.0