查找自上次事件熊猫数据框以来的天数

Question

我有一个熊猫数据框：

df12 = pd.DataFrame({'group_ids':[1,1,1,2,2,2],'dates':['2016-04-01','2016-04-20','2016-04-28','2016-04-05','2016-04-20','2016-04-29'],'event_today_in_group':[1,0,1,1,1,0]})


   group_ids      dates  event_today_in_group
0          1 2016-04-01                     1
1          1 2016-04-20                     0
2          1 2016-04-28                     1
3          2 2016-04-05                     1
4          2 2016-04-20                     1
5          2 2016-04-29                     0

我想计算一个附加列，其中包含每个 group_ids 自上次 event_today_in_group 为 1 以来的天数。

 group_ids      dates  event_today_in_group  days_since_last_event
0          1 2016-04-01                     1                      0
1          1 2016-04-20                     0                     19
2          1 2016-04-28                     1                     27
3          2 2016-04-05                     1                      0
4          2 2016-04-20                     1                     15
5          2 2016-04-29                     0                      9

Answer 1

正如我之前提到的，这将为您提供每个组内日期之间的非累积差异：

df['days_since_last_event'] = df.groupby('group_ids')['dates'].diff().apply(lambda x: x.days)

为了得到这个差值的累积和，根据event_today_in_group的变化，我建议使用shift获取上一行的值，然后生成一个累积和，如下所示：

df['event_today_in_group'].shift().cumsum()

输出：

0    NaN
1    1.0
2    1.0
3    2.0
4    3.0
5    4.0

这为我们提供了获得累积总和所需的第二个分组值。您可以将上述值分配给一个新列，但如果您只是将它们用于计算，那么您可以简单地将它们包含在随后的 groupby 操作中，如下所示：

df.loc[:, 'days_since_last_event'] = df.groupby(['group_ids', df['event_today_in_group'].shift().cumsum()])['days_since_last_event'].cumsum()

结果：

   group_ids      dates  event_today_in_group  days_since_last_event
0          1 2016-04-01                     1                    NaN
1          1 2016-04-20                     0                   19.0
2          1 2016-04-28                     1                   27.0
3          2 2016-04-05                     1                    NaN
4          2 2016-04-20                     1                   15.0
5          2 2016-04-29                     0                    9.0