Pandas 时间序列数据 - 每 30 分钟计算过去 24 小时内的唯一值

Pandas timeseries data - counting unique values during past 24 hours every 30 minutes

我正在尝试根据每条消息的数据来衡量论坛上的消息 activity。

为此,我想知道有多少 unique/different 作者在过去 24 小时内 post 编辑了消息,每 [=51] =] (9:00, 9:30, 10:00, ...).

我有一个pandas DataFrame来记录消息信息。一条消息有一个 post 编号、post 发布时间以及发件人。这是我的一些数据:

>>> # import pandas as pd
>>> # here df is a pd.DataFrame
>>> print df.loc[:, ['Message Timestamp','Message Author']]

 Post#            Message Timestamp     Message Author
239257    2017-06-09 14:45:46-04:00   JTTLJTTLFBVTNJDF
239258    2017-06-09 14:09:51-04:00        Tvpfrnpvb22
239259    2017-06-09 13:54:13-04:00          Hpzb Tbxb
239260    2017-06-09 13:45:37-04:00      TbnFrbnTrbdfr
239261    2017-06-09 13:28:55-04:00   JTTLJTTLFBVTNJDF
239262    2017-06-09 13:20:23-04:00          njlftlj84
239263    2017-06-09 13:19:59-04:00      TbnFrbnTrbdfr
239264    2017-06-09 13:19:23-04:00   Vjtb Npvb Ttpdlt
239265    2017-06-09 13:15:03-04:00          njlftlj84
239266    2017-06-09 13:06:07-04:00      vndpnnpndfntt
239267    2017-06-09 12:48:54-04:00      TbnFrbnTrbdfr
239268    2017-06-09 12:16:59-04:00       Hrffn n Hpld
239269    2017-06-09 12:06:12-04:00             Xbllfr
239270    2017-06-09 11:27:33-04:00  TbttppfdTrbdfrFrz
239271    2017-06-09 11:21:46-04:00         ND`jn`BjhD
239272    2017-06-09 11:19:34-04:00      TbnFrbnTrbdfr
239273    2017-06-09 10:55:01-04:00      bbndpntfbdfll
239274    2017-06-09 10:55:01-04:00   JTTLJTTLFBVTNJDF
................(continued for years).................

例如,使用上述数据,我们看到用户“JTTLJTTLFBVTNJDF”在过去二十四小时内至少 post 编辑了三次;那个人只为 "number of unique authors in the last twenty four hours" 贡献了 1

所需的输出如下所示(取决于之前 24 小时的数据):

>>> print some_function(df, past='24 hours', every='30 mins')
 Index                        Number_of_unique_authors_in_the_last_24_hours
 2017-06-09 15:00:00-04:00                                               12
 2017-06-09 14:30:00-04:00                                               11
 2017-06-09 14:00:00-04:00                                               13
 ...(and so forth)......

为清楚起见,这是在 15:00 说的,有 12 个 不同的 人在上次 twenty-four 中 post 编辑了消息小时,基于数据。

我尝试了 pd.Timestamp.ceilgroupbyrolling 的不同组合,但没有接近我想要的。有经验的人可能知道正确的事情组合。

此外,如果有人有更好的标题想法,请告诉我。


编辑:我有点惊讶像下面这样的东西不起作用。

 series = df.set_index('Message Timestamp')['Message Author']
 series.resample('30 min').rolling('1D').nunique() #not supported

我知道如何让 for-loop 做我想做的事,但如果能找到 pandas-powered 做事的方式就好了。

我没能想出一些优雅的解决方案,而是通过循环遍历数据框来提出一个残酷的解决方案,希望如果您的数据集不是很大,这会起作用:

time, unique_count = [], []

for i in range(len(df)):

    time.append(t)
    t = df.ix[i, 'Time']

    #get the datetime of 24 hours ago
    yesterday = t - timedelta(days=1)

    #filter the original dataframe and count unique authors
    count = len(df.ix[(df['Time']<=t) &
            (df['Time']>=yesterday),'Author'].unique())
    unique_count.append(count)


result = pd.DataFrame({'Time': time, 
         'Number_of_unique_authors':unique_count})

等待有人想出更优雅的解决方案。

考虑resample to aggregate to 30 minute intervals and then run nunique。然后 运行 a transform 每 24 小时有条件地聚合新的唯一计数列。您需要先将时间戳设置为重新采样的索引,然后再设置为常规列以聚合到 24 小时。

import datetime
import pandas as pd
...
df = df[['Message Timestamp', 'Message Author']]

df['24-HourCount'] = df.transform(lambda x:\
          len(df[(df['Message Timestamp'].between(x['Message Timestamp'] - datetime.timedelta(days=1),
                                                  x['Message Timestamp']))]['Message Author'].unique()), axis=1)                                                       
df = df.set_index('Message Timestamp')                                               
df = df[['24-HourCount']].resample('30T').max()

print(df)  
#                      24-HourCount
# Message Timestamp                
# 2017-06-09 14:30:00           2.0
# 2017-06-09 15:00:00           5.0
# 2017-06-09 15:30:00           NaN
# 2017-06-09 16:00:00           7.0
# 2017-06-09 16:30:00           7.0
# 2017-06-09 17:00:00          10.0
# 2017-06-09 17:30:00          11.0
# 2017-06-09 18:00:00          12.0
# 2017-06-09 18:30:00          12.0