使用数据帧中的某些参数计算日期之间的差异

Posted 2023-03-12

【中文标题】使用数据帧中的某些参数计算日期之间的差异

【英文标题】：Calculating the difference between dates with certain parameters from data Frame

【发布时间】：2022-01-16 20:58:42

【问题描述】：

我有兴趣计算来自同一提供商的订单之间的时间差（以天为单位）

源数据框：

OrderNumber	CatID	CustomerID	CreateDate
6543	4901	1111	2008-01-01
6543	4901	2222	2008-01-03
1113	4910	3333	2008-01-03
1234	5436	1111	2008-01-05
1245	6434	2222	2008-01-10
1456	2453	1111	2008-01-12
1567	64355	3333	2008-01-13

OrderNumber 和 CatID 并不有趣。

我想计算同一 customerID 中日期之间的差异。

目标日期帧：

OrderNumber	CatID	CustomerID	CreateDate	calc days
6543	4901	1111	2008-01-01	4 days
6543	4901	2222	2008-01-03	7 days
1113	4910	3333	2008-01-03	10 days
1234	5436	1111	2008-01-05	7 days
1245	6434	2222	2008-01-10	5 days
1456	2453	1111	2008-01-12	1 days
1567	64355	3333	2008-01-13	-
6436	64355	1111	2008-01-13	-
1253	64355	2222	2008-01-15	-

OrderNumber 和 CatID 不感兴趣

原始数据

       OrderNumber  CustomerID CreateDate
------------------------------------------
0            27986   712841200 2008-01-01
1            28917   712841200 2008-04-16
2            28451   712630100 2008-02-27
3            29836   712630100 2008-08-21
4            30158   712630100 2008-10-27
...            ...         ...        ...
21621        44318   712841600 2014-12-03
21622        44322   712841600 2014-12-03
21623        42829   712847200 2014-03-05
21624        43547   712847200 2014-06-26
21625        42830   712847200 2014-03-05

【问题讨论】：

你可能想看看 datetime 模块。然后您可以创建日期对象，并可以对日期对象执行算术以检查时差。

【参考方案1】：

您必须首先将您的CreateDate 列转换为datetime 格式：

df['CreateDate'] = pd.to_datetime(df['CreateDate'])

然后，你可以使用.loc方法找到同一个CustomerID的位置：

customer_ID = df.loc[df['CustomerID'] == '1111']

最后，您可以计算两行之间的天数差：

abs((customer_ID['CreateDate'].loc[0] - customer_ID['CreateDate'][1]).days)

abs 用于确保返回正值。

【讨论】：

我需要为每个客户 ID 都这样做？！

【参考方案2】：

正如@Mohammadreza Riahi 所说，最好将 CreateDate 列转换为日期时间格式（但保存旧日期）：

df['CreateDate_dt'] = pd.to_datetime(df['CreateDate'])

（此时，建议确认日期已正确解析）。

然后我会按客户 ID 和日期订购：

df = df.sort_values([CustomerID,CreateDate_dt])

然后添加此列：

df['date_diff'] = np.where(df['CustomerID']==df['CustomerID'].shift(),
                          df['CreateDate_dt'] df['CreateDate_dt'].shift(),
                          np.nan)

这里很酷的是，客户的第一个订单旁边有 NaN，其余所有订单之间的值以天为单位。

如果你想在 INT 工作几天：

df['date_diff_days']=df['date_diff'].astype('timedelta64[D]')

现在你可以这样做：

df.groupby('CustomerID').agg(purchases=('OrderNumber', 'nunique'),
                             first_purchase=('CreateDate_dt', 'min'),
                             mean_days_between_purchases=('date_diff_days', 'mean'))

【讨论】：

这里缺少什么 df['CreateDate_dt'] df['CreateDate_dt'].shift(), +,-, , ?

【参考方案3】：

答案是

data = data.sort_values(by=['CustomerID', 'CreateDate'], ignore_index=True)

data['DaysFromPrevCustOrder'] = np.where(
    data['CustomerID'].shift(1) == data['CustomerID'],
    (data['CreateDate'] - data['CreateDate'].shift(1)).dt.days,np.nan)

** ## 输出 ## **

       CustomerID CreateDate  OrderNumber  DaysFromPrevCustOrder
0       712013005 2008-02-13        28327                    NaN
1       712013005 2008-02-13        28327                    0.0
2       712013005 2008-02-13        28327                    0.0
3       712013005 2009-03-22        31051                  403.0
4       712013005 2009-03-22        31051                    0.0
...           ...        ...          ...                    ...
21621   712970100 2009-06-23        31662                    9.0
21622   712970100 2010-04-08        33420                  289.0
21623   712970100 2011-01-06        35184                  273.0
21624   712970100 2012-05-28        38712                  508.0
21625  7122973100 2008-09-28        30020                    NaN