基于时间的关系答案

【问题标题】：Relationship based on time基于时间的关系
【发布时间】：2021-10-21 12:06:58
【问题描述】：

我正在尝试在两个相关的数据框之间创建关系，但没有创建关系的键。这是我的问题的布局：我使用的第一个数据框是关于人们何时进入游乐园的信息。在这个游乐园里，人们可以在公园里逗留多日。所以这个数据框的结构是

id	name	date
0	John Smith	07-01-2020 10:13:24
1	John Smith	07-22-2020 09:47:04
4	Jane Doe	07-22-2020 09:47:04
2	Jane Doe	06-13-2020 13:27:53
3	Thomas Wallace	07-08-2020 11:15:28

因此人们可能会访问公园一次或多次（假设名称是人们的唯一标识符）。对于另一个数据框，数据是他们在公园期间进行的游乐设施。所以这个数据框的结构是

name	ride	date
John Smith	Insanity	07-01-2020 13:53:07
John Smith	Bumper Cars	07-01-2020 16:37:29
John Smith	Tilt-A-Whirl	07-02-2020 08:21:18
John Smith	Insanity	07-22-2020 11:44:32
Jane Doe	Bumper Cars	06-13-2020 14:14:41
Jane Doe	Teacups	06-13-2020 17:31:56
Thomas Wallace	Insanity	07-08-2020 13:20:23

通过这两个数据框，我想获取与他们在访问期间进行的游乐设施相关联的访问 ID。所以这个例子中想要的输出是

id	name	ride	date
0	John Smith	Insanity	07-01-2020 13:53:07
0	John Smith	Bumper Cars	07-01-2020 16:37:29
0	John Smith	Tilt-A-Whirl	07-02-2020 08:21:18
1	John Smith	Insanity	07-22-2020 11:44:32
2	Jane Doe	Bumper Cars	06-13-2020 14:14:41
2	Jane Doe	Teacups	06-13-2020 17:31:56
3	Thomas Wallace	Insanity	07-08-2020 13:20:23

我考虑解决此问题的方法是遍历访问，然后如果名称匹配，则将 id 添加到乘车，乘车发生在访问期间/之后，并且时间增量是最小的差异（使用较大的初始时间增量，然后更新与该差异的最小差异）。如果不满足这些条件，则保持相同的值。考虑到这个过程，这是我在代码中的思考过程：

rides['min_diff'] = pd.to_timedelta(365, unit='day')
rides['id'] = -1
for index, row in visits.iterrows():
    rides['id'], rides['min_diff'] = np.where((rides['name'] == row['name']) & (
                                               rides['date'] >= visits['date']) & (
                                               (rides['date'] - row['date']) < rides['min_diff']),
                                               (row['id'], rides['date'] - row['date']),
                                               (rides['id'], rides['min_diff'))

不幸的是，由于形状不匹配（以及尝试跨多个列分配值，我不知道该怎么做），这没有执行，但这是一般的想法。我不确定这到底是如何实现的，所以如果有人有解决方案，我将不胜感激。

【问题讨论】：

标签： python pandas datetime

【解决方案1】：

试试apply() 和asof()：

df1 = df1.set_index("date").sort_index() #asof requires a sorted index
df2["id"] = df2.apply(lambda x: df1[df1["Name"]==x["Name"]]["id"].asof(x["date"]), axis=1)

>>> df2
             Name          ride                date  id
0      John Smith      Insanity 2020-07-01 13:53:07   0
1      John Smith   Bumper Cars 2020-07-01 16:37:29   0
2      John Smith  Tilt-A-Whirl 2020-07-02 08:21:18   0
3      John Smith      Insanity 2020-07-22 11:44:32   1
4        Jane Doe   Bumper Cars 2020-06-13 14:14:41   2
5        Jane Doe       Teacups 2020-06-13 17:31:56   2
6  Thomas Wallace      Insanity 2020-07-08 13:20:23   3

【讨论】：

这在日期没有重叠的情况下有效。不幸的是，我正在使用的数据很容易具有相同的日期和时间，所以我不确定这是否可行
那么请提供一个更具代表性的样本，这不起作用。
我添加了一行，因此这将成为解决方案的冲突。我想指出的是，我的实际数据比这个大得多，所以效率很重要。由于机密性，我无法包含真实数据。我必须想出一个适用于我的问题的方案，并且我必须编造假数据，这需要时间，所以希望大家能更加理解为什么会这样。

【解决方案2】：

我认为这可以满足您的需求。 id 不是您指定的顺序，但它们确实代表了具有您请求的逻辑的访问 id。

merged = pd.merge(df1, df2, how="right", left_on=['date', 'name'], right_on=['name', 'ride'])[['name_y', 'ride', 'date_y']]
merged['ymd'] = pd.to_datetime(merged.date_y).apply(lambda x: x.strftime('%Y-%m-%d'))
merged['id'] = merged.groupby(['name_y', 'ymd']).ngroup()
merged.drop('ymd', axis=1, inplace=True)
merged.columns = ['name', 'ride', 'date', 'id']
merged.sort_values(by='id', inplace=True)
print(merged)

输出：

             name           ride                 date  id
4        Jane Doe   Bumper Cars   06-13-2020 14:14:41   0
5        Jane Doe       Teacups   06-13-2020 17:31:56   0
0      John Smith      Insanity   07-01-2020 13:53:07   1
1      John Smith   Bumper Cars   07-01-2020 16:37:29   1
2      John Smith  Tilt-A-Whirl   07-02-2020 08:21:18   2
3      John Smith      Insanity   07-22-2020 11:44:32   3
6  Thomas Wallace       Insanity  07-08-2020 13:20:23   4

【讨论】：