问在使用熊猫时，是否有其他方式向群中添加列？
EN

Stack Overflow用户

提问于 2016-12-29 15:17:08

回答 1查看 179关注 0票数 4

我把会话定义为一组歌曲，这些歌曲播放的时间不超过15分钟。我的目标是找到每个用户的平均会话长度。

到目前为止，我已经使用python和大熊猫将下面的数据按用户id分组，然后按照开始时间戳对每个组进行排序。

输入数据：

到目前为止我的代码是：

start_end_song.groupby('user_id').apply(lambda x: x.sort_values('start_timestamp'))

上述代码的输出：

接下来，我要计算第一首歌的结束时间戳和下一首时间戳的开头之间的间隔。

然而，这是行不通的：

start_end_song.groupby('user_id')\
.apply(lambda x: x.sort_values('start_timestamp'))\
.apply(lambda x: x['break']= start_end_song['end_timestamp']- start_end_song['start_timestamp'].shift(-1))

SyntaxError: lambda不能包含赋值

是否有另一种方式向groupby添加列？

python

pandas

回答 1

Stack Overflow用户

回答已采纳

发布于 2016-12-29 15:34:33

您可以使用pandas.DataFrame.shift和pandas.DataFrame.cumsum获得“岛屿”歌曲：

>>> df = pd.DataFrame({'user_id': [1, 1, 1, 1, 2, 2, 2, 2], 'start_timestamp': [1, 3, 20, 26, 1, 5, 40, 42], 'end_timestamp': [2, 4, 25, 27, 2, 10, 41, 50]}, columns=['user_id', 'start_timestamp', 'end_timestamp'])
>>> df
   user_id  start_timestamp  end_timestamp
0        1                1              2
1        1                3              4
2        1               20             25
3        1               26             27
4        2                1              2
5        2                5             10
6        2               40             41
7        2               42             50

>>> df['session_break'] = (df['start_timestamp'] - df.groupby('user_id')['end_timestamp'].shift(1) >= 15).astype('int')
>>> df
   user_id  start_timestamp  end_timestamp  session_break
0        1                1              2              0
1        1                3              4              0
2        1               20             25              1
3        1               26             27              0
4        2                1              2              0
5        2                5             10              0
6        2               40             41              1
7        2               42             50              0
>>> df['session_label'] = df.groupby('user_id')['session_break'].cumsum()
>>> df
   user_id  start_timestamp  end_timestamp  session_break  session_label
0        1                1              2              0              0
1        1                3              4              0              0
2        1               20             25              1              1
3        1               26             27              0              1
4        2                1              2              0              0
5        2                5             10              0              0
6        2               40             41              1              1
7        2               42             50              0              1

更新

要获得平均会话持续时间，可以这样做：

>>> g = df.groupby(['user_id', 'session_label']).agg({'end_timestamp' : np.max, 'start_timestamp' : np.min})
>>> g
                       start_timestamp  end_timestamp
user_id session_label                                
1       0                            1              4
        1                           20             27
2       0                            1             10
        1                           40             50

>>> (g['end_timestamp'] - g['start_timestamp']).groupby(level=0).mean()
user_id
1    5.0
2    9.5