[英]Is there a Pandas function to count events between timestamps?
我的數據只有 100k 行和以下列:
Time
(yyyy-MM-dd hh:mm:ss.ffffff),ID
(字符串),Group1
(int32),Group2
(int32)。 我想計算在每個事件之前有多少事件來自同一個Group1
和Group2
,時間 window 為 5 分鍾。 例如:
ID Time Group1 Group2
61ED2269CCAC 2020-07-27 00:01:05.781 1234 100123
61C2DC4E96FA 2020-07-27 00:01:17.279 1234 100123
FAD0839C1A95 2020-07-27 00:02:38.112 1234 100124
A2750A7B6C24 2020-07-27 00:16:50.592 4321 100123
03F5DF150A3C 2020-07-27 00:17:00.246 4321 100124
在Timestamp('2020-07-26 23:56:17.279000')
(第二個事件前 5 分鍾)之后發生了多少事件並且屬於組Group1
和Group2
? 因此,在此示例中,第二個事件的計數器為 1。 rest 的計數器為 0,因為它們的組是唯一的。
每個事件都應該有一個計數器,指示在它之前有多少來自同一組的事件。
我嘗試按組和按Time
對數據進行排序,然后運行一個嵌套循環,一個運行在所有事件上,一個運行從啟動到當前事件索引。 幾 1000 行后,該過程顯着減慢,使此選項不可行。 我想知道是否還有其他優雅而有效的方法可以做到這一點。
編輯:我能夠用一個for循環而不是嵌套循環來做到這一點。 對於每個循環,我記錄了時間和組,並對 Dataframe 進行切片,以將事件包含在組和所需時間范圍內,然后將事件數相加:
for i in tqdm(range(len(df))):
time_stamp = df.loc[i, 'Time']
group1 = df.loc[i, 'Group1']
group2 = df.loc[i, 'Group2']
sub_df = df[df['Time'] + timedelta(minutes=-5) > time_stamp]
sub_df = sub_df[sub_df['Time'] < time_stamp]
sub_df = sub_df[sub_df['Group1'] == group1]
sub_df = sub_df[sub_df['Group2'] == group2]
df.loc[i, 'prior_events'] = sub_df.size
盡管如此,tqdm 顯示每秒 18 次迭代,這對於 100k 行來說並不是很好。
為了獲得更有啟發性的結果,我擴展了您的數據樣本:
ID Time Group1 Group2
0 61ED2269CCAC 2020-07-27 00:01:05.781 1234 100123
1 61C2DC4E96FA 2020-07-27 00:01:17.279 1234 100123
2 FAD0839C1A95 2020-07-27 00:02:38.112 1234 100124
3 FAD0839C1A95 2020-07-27 00:05:38.000 1234 100123
4 FAD0839C1A95 2020-07-27 00:06:39.000 1234 100123
5 A2750A7B6C24 2020-07-27 00:16:50.592 4321 100123
6 03F5DF150A3C 2020-07-27 00:17:00.246 4321 100124
7 03F5DF150A3C 2020-07-27 00:18:00.000 4321 100124
8 03F5DF150A3C 2020-07-27 00:20:00.000 4321 100124
9 03F5DF150A3C 2020-07-27 00:22:00.000 4321 100124
10 03F5DF150A3C 2020-07-27 00:23:00.000 4321 100124
假設Time列是datetime類型並且它的值是唯一的,您可以生成結果( Count列),如下所示:
df.set_index('Time', inplace=True)
df['Count'] = (df.groupby(['Group1', 'Group2'], as_index=False)\
.Group1.rolling(window='5T', closed='both').count() - 1).astype(int)\
.reset_index(level=0, drop=True)
df.reset_index(inplace=True)
結果是:
Time ID Group1 Group2 Count
0 2020-07-27 00:01:05.781 61ED2269CCAC 1234 100123 0
1 2020-07-27 00:01:17.279 61C2DC4E96FA 1234 100123 1
2 2020-07-27 00:02:38.112 FAD0839C1A95 1234 100124 0
3 2020-07-27 00:05:38.000 FAD0839C1A95 1234 100123 2
4 2020-07-27 00:06:39.000 FAD0839C1A95 1234 100123 1
5 2020-07-27 00:16:50.592 A2750A7B6C24 4321 100123 0
6 2020-07-27 00:17:00.246 03F5DF150A3C 4321 100124 0
7 2020-07-27 00:18:00.000 03F5DF150A3C 4321 100124 1
8 2020-07-27 00:20:00.000 03F5DF150A3C 4321 100124 2
9 2020-07-27 00:22:00.000 03F5DF150A3C 4321 100124 3
10 2020-07-27 00:23:00.000 03F5DF150A3C 4321 100124 3
注意最后一行。 Is 有Count == 3 ,包括 5 分鍾前的事件。 如果您希望不計算此事件,請刪除closed='both'參數。
顯然,您的數據具有重復的時間值,即使在具有相同Group1 / Group2的一組行中也是如此。
為了解決這個問題,采取另一種方法:
定義一個 function 生成計數:
def Counts(grp): vc = grp.Time.value_counts().sort_index() cnt = (vc.rolling(window='5T', closed='both').sum()).astype(int) - vc s = pd.Series(cnt, index=grp.Time) return pd.Series(s.values, index=grp.index)
應用它:
df['Counts'] = df.groupby(['Group1', 'Group2'], as_index=False)\.apply(Counts).reset_index(level=0, drop=True)
此代碼基於您的源 DataFrame 是按Time排序的假設。
我在一個數據樣本上測試了上面的代碼,其中添加了一行,其中重復了前一行的時間。
結果是:
ID Time Group1 Group2 Counts
0 61ED2269CCAC 2020-07-27 00:01:05.781 1234 100123 0
1 61C2DC4E96FA 2020-07-27 00:01:17.279 1234 100123 1
2 FAD0839C1A95 2020-07-27 00:02:38.112 1234 100124 0
3 FAD0839C1A95 2020-07-27 00:05:38.000 1234 100123 2
4 FAD0839C1A95 2020-07-27 00:06:39.000 1234 100123 1
5 A2750A7B6C24 2020-07-27 00:16:50.592 4321 100123 0
6 03F5DF150A3C 2020-07-27 00:17:00.246 4321 100124 0
7 03F5DF150A3C 2020-07-27 00:18:00.000 4321 100124 1
8 03F5DF150A3C 2020-07-27 00:20:00.000 4321 100124 2
9 03F5DF150A3C 2020-07-27 00:22:00.000 4321 100124 3
10 03F5DF150A3C 2020-07-27 00:23:00.000 4321 100124 3
11 03F5DF150BBB 2020-07-27 00:23:00.000 4321 100124 3
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.