python – Pandas中的复杂时间 *** 作

概述以下是我非常大的数据框的一小部分示例： In [38]: dfOut[38]: Send_Customer Pay_Customer Send_Time 0 1000000000284044644 1000000000251680999 2016-08-01 09:55:48 1 200000000022302 以下是我非常大的数据框的一小部分示例：

In [38]: dfOut[38]:          Send_Customer         Pay_Customer           Send_Time 0       1000000000284044644  1000000000251680999 2016-08-01 09:55:48 1       2000000000223021617  1000000000190078650 2016-08-01 02:44:23 2       2000000000289301033  1000000000309048473 2016-08-01 09:20:14 3       1000000000333893941  1000000000333956151 2016-08-01 09:20:14 4       1000000000340371553  2000000000103942022 2016-08-01 09:20:14 5       2000000000098132192  2000000000089264458 2016-08-01 09:21:27 6       1000000000007716594  2000000000144437513 2016-08-01 09:20:54 7       1000000000135884145  1000000000278399847 2016-08-01 09:21:43 8       2000000000141318366  2000000000151080468 2016-08-01 09:20:46 9       1000000000056842546  2000000000139908360 2016-08-01 09:20:5510       1000000000275051425  2000000000254558241 2016-08-01 09:20:1711       1000000000162362467  1000000000340653197 2016-08-01 09:23:4512       1000000000039529533  1000000000072903285 2016-08-01 09:22:5613       1000000000034147075  2000000000079408765 2016-08-01 09:20:1714       1000000000319501203  1000000000337830072 2016-08-01 09:20:2015       1000000000025289495  2000000000287368163 2016-08-01 09:20:3116       1000000000043110429  1000000000209850047 2016-08-01 09:22:33

我需要在10小时的时间内找出Send_Customer有多少非独特或唯一的Pay_Customer？

所以,这是我使用的方法：

In [39]: df['time_diff'] = df.groupby('Send_Customer')['Send_Time'].apply(lambda x : x.diff().abs())In [41]: df[df['time_diff']<=dt.timedelta(seconds=36000)]Out[41]:Send_Customer         Pay_Customer           Send_Time         \       4361    1000000000284044644  1000000000326834813 2016-08-01 14:32:177530    2000000000223021617  1000000000340199555 2016-08-01 04:49:4110937   2000000000148219588  1000000000312697109 2016-08-01 04:49:4012876   1000000000339947901  2000000000218218239 2016-08-01 14:51:5113553   1000000000248905073  1000000000248729812 2016-08-01 16:44:3514281   2000000000270573223  1000000000341120021 2016-08-01 09:35:11        time_diff4361     00:10:377530     00:17:0610937    01:09:4512876    00:53:5913553    01:12:1714281    05:19:34

这种方法部分工作,因为在[‘Send_Time’]上使用.diff()消除了用于区分的第一行.有关如何保存这些行的任何想法？

解决方法 如果我理解正确：在差异之后,第一行是NaT.为了保留第一行,您可以将NaT值替换为您的条件不会过滤掉的内容,例如0.

在这里,我只需在第一行末尾添加.fillna(0)：

df['time_diff'] = df.groupby('Send_Customer')['Send_Time'].apply(        lambda x : x.diff().abs()    ).fillna(0)df[df['time_diff'] <= dt.timedelta(seconds=36000)]

总结

以上是内存溢出为你收集整理的python – Pandas中的复杂时间 *** 作全部内容，希望文章能够帮你解决python – Pandas中的复杂时间 *** 作所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。