计算按特定列分组的项目之间的平均时间差

Question

我有以下数据框：

userid | time     
1        22.01.2001 13:00
1        22.01.2001 13:05   
1        22.01.2001 13:07  
2        22.01.2001 14:00
2        22.01.2001 14:04   
2        22.01.2001 13:05  
2        22.01.2001 13:06  
3        22.01.2001 13:20  
3        22.01.2001 13:22  
4        22.01.2001 13:37  

我想要获得的是每个用户的一个新列，它存储连续活动之间的平均时间差：

userid | avg_time_diff
1        3.5    #(5 + 2) / 2
2        2      #(4 + 1 + 1) / 3
3        2
4        0

要实现这一点，我是否需要循环遍历每个用户并一一计算平均时间差？或者，有没有更快的方法来达到同样的效果？

Answer 1

考虑以下方法：

In [84]: df.sort_values('time').groupby('userid')['time'] \
           .apply(lambda x: x.diff().dt.seconds.mean()/60)
Out[84]:
userid
1     3.500000
2    19.666667
3     2.000000
4          NaN
Name: time, dtype: float64

一些解释：

首先我们按time 列对DF 进行排序，否则我们可能会有负差。

然后我们按userid 分组，并为每个组计算所有连续行（已排序）的时间差 - 这将产生一个timedelta64[ns] dtype 的Series，它有一个.dt.seconds 访问器。

使用.dt.seconds.mean()，我们可以计算每个组的平均值

更新：

仅对小于 60 的差值取平均值 分钟

In [122]: threshold = 60
     ...:
     ...: (df.sort_values('time').groupby('userid')['time']
     ...:    .apply(lambda x: (x.diff().dt.seconds/60)
     ...:                     .to_frame('diff')
     ...:                     .query("diff < @threshold")['diff'].mean()))
     ...:
Out[122]:
userid
1     3.500000
2    19.666667
3     2.000000
4          NaN
Name: time, dtype: float64