如何根据熊猫的时差为用户设置会话

Question

我有一个具有这种结构的数据框（按 user_id、事件时间排序）：

用户 ID
事件时间（以毫秒为单位）
每个 user_id 的先前事件和当前事件之间的时间差（以秒为单位）

例如
user_1 1550844324011 -
用户 1 1550844504351 180

user_2 1550807681932 -
用户_2 1550807780002 98
user_2 1550809800005 2020
用户_2 1550819800005 10000

然后我想在新列中为每个 user_id 设置会话 ID。接下来是逻辑：如果事件之间的时间差超过 900 秒，那么我应该为用户设置新的 session_id。所以结果应该是下一个：

user_1 1550844324011 - 1
user_1 1550844504351 180 1

user_2 1550807681932 - 1
用户_2 1550807780002 98 1
用户_2 1550809800005 2020 2
用户_2 1550819800005 10000 3

我怎样才能正确地做到这一点？请帮帮我。 谢谢

Answer 1

这应该可以工作

# Sorting is needed, otherwise .diff() will output wrong results
df = df.sort_values(['user_id', 'timestamp'])

# Timestamp diff in seconds
diff_timestamp = df.groupby('user_id')['timestamp'].diff() / 1000

# indexes where new session_id will be created
new_session = (diff_timestamp.isnull()) | (diff_timestamp > 900)

# Create unique session_id for every user
df['session_id'] = df.loc[new_session, ['user_id', 'timestamp']] \
    .groupby('user_id').rank(method='first').astype(int)

# Propagate last valid observation forward (replace NaN)
df['session_id'] = df['session_id'].fillna(method='ffill').astype(int)

---

在small talk 之后，如果使用.diff()，请确保该列是数字！