在pandas中的GroupBy对象上计算date_range

Question

我有一个包含四列的海量数据框，其中两列是'日期'（格式为datetime）和'页面'（位置另存为string）。我已将数据框分组为'page'，并将其称为pagegroup，并且想知道每个页面被访问的时间范围（例如，第一次访问在1-1-13上，最后一次在1-5-13上，所以max-min是5天）。

我知道熊猫，我可以使用date_range比较两个日期时间，但在尝试喜欢的事：

pagegroup['date'].agg(np.date_range) 

回报

AttributeError: 'module' object has no attribute 'date_range' 

，而试图简单（非特定日期的）numpy的功能ptp给我一个整数的答案：

daterange = pagegroup['date'].agg([np.ptp]) 
daterange.head() 

          ptp 
page       
%2F       0 
/   13325984000000000 
/-509606456 297697000000000 
/-511484155     0 
/-511616154     0 

有谁能想到一种计算日期范围的方法，并使其以可识别的日期格式返回？

谢谢

Answer 1

假设你已经通过日期时间索引可以使用GROUPBY适用于：

In [11]: df = pd.DataFrame([[1, 2], [1, 3], [2, 4]], 
          columns=list('ab'), 
          index=pd.date_range('2013', freq='H', periods=3) 



In [12]: df 
Out[12]: 
        a b 
2013-08-22 00:00:00 1 2 
2013-08-22 01:00:00 1 3 
2013-08-22 02:00:00 2 4 

In [13]: g = df.groupby('a') 

In [14]: g.apply(lambda x: x.iloc[-1].name - x.iloc[0].name) 
Out[14]: 
a 
1 01:00:00 
2 00:00:00 
dtype: timedelta64[ns] 

这里iloc[-1]抓住了最后一排的组中，并得到iloc[0]第一。 name属性是行的索引。

@Elyase指出，这只能如果原始DatetimeIndex是为了，如果没有可以使用的最大/最小（这实际上读取更好，但可能不太有效）：

In [15]: g.apply(lambda x: x.index.max() - x.index.min()) 
Out[15]: 
a 
1 01:00:00 
2 00:00:00 
dtype: timedelta64[ns] 

注：在两个时间戳之间获得timedelta（我们刚刚减去）（-）。

如果日期是列而不是索引，然后使用柱名：

g.apply(lambda x: x['date'].iloc[-1] - x['date'].iloc[0]) 
g.apply(lambda x: x['date'].max() - x['date'].min())