add timedelta Daten innerhalb einer Gruppe in Pandas Datenrahmen

Question

Ich arbeite an einem Datenrahmen in Pandas mit vier Spalten user_id, time_stamp1, time_stamp2 und interval. Time_stamp1 und time_stamp2 haben den Typ datetime64 [ns] und interval den Typ timedelta64 [ns].

Ich möchte in dem Datenrahmen für jeden User_id Intervallwert summieren und ich versuchte es in vielerlei Hinsicht wie zu berechnen:

1)df["duration"]= df.groupby('user_id')['interval'].apply (lambda x: x.sum()) 

2)df ["duration"]= df.groupby('user_id').aggregate (np.sum) 

3)df ["duration"]= df.groupby('user_id').agg (np.sum) 

aber keiner von ihnen arbeiten und der Wert der duration wird NaT sein nach die Codes laufen lassen.

Answer 1

UPDATE: können Sie transform() Methode verwenden:

In [291]: df['duration'] = df.groupby('user_id')['interval'].transform('sum') 

In [292]: df 
Out[292]: 
        a user_id     b   interval   duration 
0 2016-01-01 00:00:00  0.01 2015-11-11 00:00:00 51 days 00:00:00 838 days 08:00:00 
1 2016-03-10 10:39:00  0.01 2015-12-08 18:39:00    NaT 838 days 08:00:00 
2 2016-05-18 21:18:00  0.01 2016-01-05 13:18:00 134 days 08:00:00 838 days 08:00:00 
3 2016-07-27 07:57:00  0.01 2016-02-02 07:57:00 176 days 00:00:00 838 days 08:00:00 
4 2016-10-04 18:36:00  0.01 2016-03-01 02:36:00 217 days 16:00:00 838 days 08:00:00 
5 2016-12-13 05:15:00  0.01 2016-03-28 21:15:00 259 days 08:00:00 838 days 08:00:00 
6 2017-02-20 15:54:00  0.02 2016-04-25 15:54:00 301 days 00:00:00 1454 days 00:00:00 
7 2017-05-01 02:33:00  0.02 2016-05-23 10:33:00 342 days 16:00:00 1454 days 00:00:00 
8 2017-07-09 13:12:00  0.02 2016-06-20 05:12:00 384 days 08:00:00 1454 days 00:00:00 
9 2017-09-16 23:51:00  0.02 2016-07-17 23:51:00 426 days 00:00:00 1454 days 00:00:00 

ALTE Antwort:

Demo:

In [260]: df 
Out[260]: 
        a     b   interval user_id 
0 2016-01-01 00:00:00 2015-11-11 00:00:00 51 days 00:00:00  1 
1 2016-03-10 10:39:00 2015-12-08 18:39:00    NaT  1 
2 2016-05-18 21:18:00 2016-01-05 13:18:00 134 days 08:00:00  1 
3 2016-07-27 07:57:00 2016-02-02 07:57:00 176 days 00:00:00  1 
4 2016-10-04 18:36:00 2016-03-01 02:36:00 217 days 16:00:00  1 
5 2016-12-13 05:15:00 2016-03-28 21:15:00 259 days 08:00:00  1 
6 2017-02-20 15:54:00 2016-04-25 15:54:00 301 days 00:00:00  2 
7 2017-05-01 02:33:00 2016-05-23 10:33:00 342 days 16:00:00  2 
8 2017-07-09 13:12:00 2016-06-20 05:12:00 384 days 08:00:00  2 
9 2017-09-16 23:51:00 2016-07-17 23:51:00 426 days 00:00:00  2 

In [261]: df.dtypes 
Out[261]: 
a   datetime64[ns] 
b   datetime64[ns] 
interval timedelta64[ns] 
user_id    int64 
dtype: object 

In [262]: df.groupby('user_id')['interval'].sum() 
Out[262]: 
user_id 
1 838 days 08:00:00 
2 1454 days 00:00:00 
Name: interval, dtype: timedelta64[ns] 

In [263]: df.groupby('user_id')['interval'].apply(lambda x: x.sum()) 
Out[263]: 
user_id 
1 838 days 08:00:00 
2 1454 days 00:00:00 
Name: interval, dtype: timedelta64[ns] 

In [264]: df.groupby('user_id').agg(np.sum) 
Out[264]: 
        interval 
user_id 
1  838 days 08:00:00 
2  1454 days 00:00:00 

So Ihre Daten überprüfen ...