パイソンパンダ - データフレームから2行を組み合わせる - 条件

Question

と私はそのように見えるパンダデータフレームを有する：

A  B  C Stime Etime  
1220627 a 10.0 18:00:00 18:09:59 
1220627 a 12.0 18:15:00 18:26:59 
1220683 b 3.0 18:36:00 18:38:59 
1220683 a 3.0 18:36:00 18:38:59 
1220732 a 59.0 18:00:00 18:58:59 
1220760 A 16.0 18:24:00 18:39:59 
1220760 a 16.0 18:24:00 18:39:59 
1220760 A 19.0 18:40:00 18:58:59 
1220760 b 19.0 18:40:00 18:58:59 
1220760 a 19.0 18:40:00 18:58:59 
1220775 a 3.0 18:03:00 18:05:59 

STIMEとETIME COLSタイプ日時からのものです。

Cは、StimeとEtimeの間の分数です。

ここで、colは世帯IDであり、B colは世帯内の人物IDである。

（したがって、列Aと列Bが一意の人物を表すように）。

私は何をする必要があればは、特定の人のために、STIMEは終了時間の後に右くるようなテーブルを更新することです - 私は意志ユニット2本のラインと私は例えばC.

を更新しますここで、HH 1220760者a最初Etimeが18:39:59

と第二Stimeであるためには、18:40:00である - 右の午後06時39分59秒後に来るので、私はユニットの行をしたいとこの人があるためにCを更新します35（16 + 19）。

私はgroupbyを使用しようとしましたが、Etimeの直後にStimeが来るという条件を追加する方法はわかりません。

Answer 1

我々はEtimeに1秒を追加した場合、我々は['A', 'B']によってグループ化することにより、結合する行を検索し、比較し、グループごとにすることができますが、次StimeでEtimeのシフト：

df['Etime'] += pd.Timedelta(seconds=1) 
df = df.sort_values(by=['A', 'B', 'Stime']) 
df['keep'] = df.groupby(['A','B'])['Etime'].shift(1) != df['Stime'] 
#   A B  C    Etime    Stime keep 
# 0 1220627 a 10.0 2016-05-29 18:10:00 2016-05-29 18:00:00 True 
# 1 1220627 a 12.0 2016-05-29 18:27:00 2016-05-29 18:15:00 True 
# 3 1220683 a 3.0 2016-05-29 18:39:00 2016-05-29 18:36:00 True 
# 2 1220683 b 3.0 2016-05-29 18:39:00 2016-05-29 18:36:00 True 
# 4 1220732 a 59.0 2016-05-29 18:59:00 2016-05-29 18:00:00 True 
# 5 1220760 A 16.0 2016-05-29 18:40:00 2016-05-29 18:24:00 True 
# 7 1220760 A 19.0 2016-05-29 18:59:00 2016-05-29 18:40:00 False 
# 12 1220760 a 0.0 2016-05-29 18:10:00 2016-05-29 18:00:00 True 
# 6 1220760 a 16.0 2016-05-29 18:40:00 2016-05-29 18:24:00 True 
# 9 1220760 a 19.0 2016-05-29 18:59:00 2016-05-29 18:40:00 False 
# 11 1220760 a 11.0 2016-05-29 19:10:00 2016-05-29 18:59:00 False 
# 8 1220760 b 19.0 2016-05-29 18:59:00 2016-05-29 18:40:00 True 
# 10 1220775 a 3.0 2016-05-29 18:06:00 2016-05-29 18:03:00 True 

我々は、行を続けることになるでしょうkeepがTrueでkeepがFalseの行、 を削除することを除いて、Etimeを適切に更新したい場合を除きます。

['A', 'B', 'group_number']でグループ化できるように、各行に「グループ番号」を割り当てることができたらうれしいですし、実際には可能です。私たちがやらなければならないことは、keep列にcumsumを適用されています。今、所望の結果が['A', 'B', 'group_number']、 によってグループ化し、グループごとに最小Stimeと最大Etimeを見つけることによって見つけることができる

df['group_number'] = df.groupby(['A','B'])['keep'].cumsum() 
#   A B  C    Etime    Stime keep group_number 
# 0 1220627 a 10.0 2016-05-29 18:10:00 2016-05-29 18:00:00 True   1.0 
# 1 1220627 a 12.0 2016-05-29 18:27:00 2016-05-29 18:15:00 True   2.0 
# 3 1220683 a 3.0 2016-05-29 18:39:00 2016-05-29 18:36:00 True   1.0 
# 2 1220683 b 3.0 2016-05-29 18:39:00 2016-05-29 18:36:00 True   1.0 
# 4 1220732 a 59.0 2016-05-29 18:59:00 2016-05-29 18:00:00 True   1.0 
# 5 1220760 A 16.0 2016-05-29 18:40:00 2016-05-29 18:24:00 True   1.0 
# 7 1220760 A 19.0 2016-05-29 18:59:00 2016-05-29 18:40:00 False   1.0 
# 12 1220760 a 0.0 2016-05-29 18:10:00 2016-05-29 18:00:00 True   1.0 
# 6 1220760 a 16.0 2016-05-29 18:40:00 2016-05-29 18:24:00 True   2.0 
# 9 1220760 a 19.0 2016-05-29 18:59:00 2016-05-29 18:40:00 False   2.0 
# 11 1220760 a 11.0 2016-05-29 19:10:00 2016-05-29 18:59:00 False   2.0 
# 8 1220760 b 19.0 2016-05-29 18:59:00 2016-05-29 18:40:00 True   1.0 
# 10 1220775 a 3.0 2016-05-29 18:06:00 2016-05-29 18:03:00 True   1.0 

：

result = df.groupby(['A','B', 'group_number']).agg({'Stime':'min', 'Etime':'max'}) 

            Stime    Etime 
A  B group_number           
1220627 a 1.0   2016-05-29 18:00:00 2016-05-29 18:10:00 
      2.0   2016-05-29 18:15:00 2016-05-29 18:27:00 
1220683 a 1.0   2016-05-29 18:36:00 2016-05-29 18:39:00 
     b 1.0   2016-05-29 18:36:00 2016-05-29 18:39:00 
1220732 a 1.0   2016-05-29 18:00:00 2016-05-29 18:59:00 
1220760 A 1.0   2016-05-29 18:24:00 2016-05-29 18:59:00 
     a 1.0   2016-05-29 18:00:00 2016-05-29 18:10:00 
      2.0   2016-05-29 18:24:00 2016-05-29 19:10:00 
     b 1.0   2016-05-29 18:40:00 2016-05-29 18:59:00 
1220775 a 1.0   2016-05-29 18:03:00 2016-05-29 18:06:00 

一緒にすべてを置く

---

、

import numpy as np 
import pandas as pd 

df = pd.DataFrame(
    {'A': [1220627, 1220627, 1220683, 1220683, 1220732, 1220760, 1220760, 
      1220760, 1220760, 1220760, 1220775, 1220760, 1220760], 
    'B': ['a', 'a', 'b', 'a', 'a', 'A', 'a', 'A', 'b', 'a', 'a', 'a', 'a'], 
    'C': [10.0, 12.0, 3.0, 3.0, 59.0, 16.0, 16.0, 19.0, 19.0, 19.0, 3.0, 11.0, 0], 
    'Stime': ['18:00:00', '18:15:00', '18:36:00', '18:36:00', '18:00:00', 
       '18:24:00', '18:24:00', '18:40:00', '18:40:00', '18:40:00', 
       '18:03:00', '18:59:00', '18:00:00'], 
    'Etime': ['18:09:59', '18:26:59', '18:38:59', '18:38:59', '18:58:59', 
       '18:39:59', '18:39:59', '18:58:59', '18:58:59', '18:58:59', 
       '18:05:59', '19:09:59', '18:09:59'],}) 
for col in ['Stime', 'Etime']: 
    df[col] = pd.to_datetime(df[col]) 
df['Etime'] += pd.Timedelta(seconds=1) 
df = df.sort_values(by=['A', 'B', 'Stime']) 
df['keep'] = df.groupby(['A','B'])['Etime'].shift(1) != df['Stime'] 
df['group_number'] = df.groupby(['A','B'])['keep'].cumsum() 
result = df.groupby(['A','B', 'group_number']).agg({'Stime':'min', 'Etime':'max'}) 
result = result.reset_index() 
result['C'] = (result['Etime']-result['Stime']).dt.total_seconds()/60.0 
result = result[['A', 'B', 'C', 'Stime', 'Etime']] 
print(result) 

[start, end]は、2つの間隔当接し、 end 一方の等しいことである代わりに、完全に閉じた間隔の

収率形態[start, end) の半開区間を使用する利点の

  A B  C    Stime    Etime 
0 1220627 a 10.0 2016-05-29 18:00:00 2016-05-29 18:10:00 
1 1220627 a 12.0 2016-05-29 18:15:00 2016-05-29 18:27:00 
2 1220683 a 3.0 2016-05-29 18:36:00 2016-05-29 18:39:00 
3 1220683 b 3.0 2016-05-29 18:36:00 2016-05-29 18:39:00 
4 1220732 a 59.0 2016-05-29 18:00:00 2016-05-29 18:59:00 
5 1220760 A 35.0 2016-05-29 18:24:00 2016-05-29 18:59:00 
6 1220760 a 10.0 2016-05-29 18:00:00 2016-05-29 18:10:00 
7 1220760 a 46.0 2016-05-29 18:24:00 2016-05-29 19:10:00 
8 1220760 b 19.0 2016-05-29 18:40:00 2016-05-29 18:59:00 
9 1220775 a 3.0 2016-05-29 18:03:00 2016-05-29 18:06:00 

---

つstart次の

もう1つの利点は、半開き間隔の分数が end-startに等しいことです。完全に閉じた間隔では、数式はend-start+1になります。

Pythonの組み込みrangeとリストスライス構文では、半開きの間隔for these same reasonsを使用しています。だから私は [Stime, Etime)あなたのDataFrameに半開きの間隔を使用することをお勧めします も。

Answer 2

このアプローチはどうですか？

In [68]: df.groupby(['A','B', df.Stime - df['Etime'].shift() <= pd.Timedelta('1S')], as_index=False)['C'].sum() 
Out[68]: 
     A B  C 
0 1220627 a 22.0 
1 1220683 a 3.0 
2 1220683 b 3.0 
3 1220732 a 59.0 
4 1220760 A 35.0 
5 1220760 a 35.0 
6 1220760 b 19.0 
7 1220775 a 3.0 

Answer 3

私は解決策があると思いますが、それは非常に粗悪であり、誰かが改善できると確信しています。

仮定df =あなたが上方に設けられているデータ：非常にハック答えを

df['Stime'] = pd.to_datetime(df['Stime'], format='%H:%M:%S') # needs to be converted to datetime 
df['Etime'] = pd.to_datetime(df['Etime'], format='%H:%M:%S') # needs to be converted to datetime 

df = df.sort_values(['A','B','Stime']) # data needs to be sorted by unique person : Stime 
df = df.reset_index(drop=True) 
df = df.reset_index() 

def new_person(row): 
    if row.name > 0: 
     if row['A'] != df.ix[row.name-1][1] or row['B'] != df.ix[row.name-1][2]: 
      return 'Yes' 

def update(row): 
    if row.name > 0: 
     if row['B'] == df.ix[row.name-1][2]: 
      if df.ix[row.name][4] - df.ix[row.name-1][5] >= pd.Timedelta(seconds=0) and df.ix[row.name][4] - df.ix[row.name-1][5] < pd.Timedelta(seconds=2): 
       return df.groupby(['A','B'])['C'].cumsum().ix[row.name] 

def rewrite(row): 
    if row['update'] > 0: 
     return row['update'] 
    else: 
     return row['C'] 

df['new_person'] = df.apply(new_person, axis=1) # adds column where value = 'Yes' if person is not the same as row above 
df['update'] = df.apply(update,axis=1) # adds a column 'update' to allow for a cumulative sum rewritten to 'C' in rewrite function 
print df 

df['Stime'] = pd.to_datetime(df['Stime'], format='%H:%M:%S').dt.time # removes date from datetime 
df['Etime'] = pd.to_datetime(df['Etime'], format='%H:%M:%S').dt.time # removes date from datetime 
df['C'] = df.apply(rewrite,axis=1) # rewrites values for 'C' column 

# hacky way of combining idxmax and indices of rows where the person is 'new' 
updated = df.groupby(['A','B'])['C'].agg(pd.Series.idxmax).values 
not_updated = df['new_person'].isnull().tolist() 

combined = [x for x in df.index if (x in updated or x in not_updated)] 

df = df.iloc[combined] 
df = df.drop(['new_person','update','index'],axis=1) 
print df 

謝罪、私はそれはあなたが必要なものを達成すべきだと思います。あなたのデータフレームが非常に大きい場合でもそれがどれくらいうまく動作するかはわかりません。

結果のデータフレーム：

  A B C  Stime  Etime 
0 1220627 a 10 18:00:00 18:09:59 
1 1220627 a 12 18:15:00 18:26:59 
2 1220683 a 3 18:36:00 18:38:59 
3 1220683 b 3 18:36:00 18:38:59 
4 1220732 a 59 18:00:00 18:58:59 
6 1220760 A 35 18:40:00 18:58:59 
9 1220760 a 46 18:59:00 18:09:59 
10 1220760 b 19 18:40:00 18:58:59 
11 1220775 a 3 18:03:00 18:05:59