如何拆分 Pandas DataFrame 中包含超过一个月的两个时间戳之间的差异

懒惰评估

我有一个类似于这个的 DataFrame，它描述了看板（容器）的旅行开始和结束时间戳，其中包含在车间移动的组件/零件：

df = pd.DataFrame({
    'id_kanban': [244, 243, 8, 9, 29],
    'component': ['A', 'A', 'B', 'B', 'C'],
    'start': ['2021-01-23 11:51:39', '2021-01-28 08:11:48', '2021-01-30 06:32:32',
              '2021-02-01 11:21:39', '2021-02-02 17:03:18'],
    'end': ['2021-02-11 10:20:21', '2021-01-28 09:13:42', '2021-02-02 08:14:24',
            '2021-04-04 09:22:19', '2021-02-03 13:05:28']
})

输出：

    id_kanban   component   start                 end
0   244         A           2021-01-23 11:51:39   2021-02-11 10:20:21
1   243         A           2021-01-28 08:11:48   2021-01-28 09:13:42
2   8           B           2021-01-30 06:32:32   2021-02-02 08:14:24
3   9           B           2021-02-01 11:21:39   2021-04-04 09:22:19
4   29          C           2021-02-02 17:03:18   2021-02-03 13:05:28

因此，在此示例中，看板 244 从 1 月 23 日 11:51:39 到 2 月 11 日 10:20:21 在车间内移动。

我想计算每个看板的旅行时间，但要分几个月。因此，对于看板 244，我想在 1 月和 2 月之间拆分计算，即计算从 1 月 23 日到 2 月 1 日的旅行时间，然后从 2 月 1 日到 2 月 11 日。

我的想法是在月份之间拆分时间戳，并在每次发生变化时创建一个新行（包括可能在两个时间戳之间的月份，例如看板 9，其中看板在整个 2 月、3 月和 4 月都行进过）。

这是我正在考虑的输出示例：

    id_kanban   component   start                 end
0   244         A           2021-01-23 11:51:39   2021-02-01 00:00:00
1   244         A           2021-02-01 00:00:00   2021-02-11 10:20:21
2   243         A           2021-01-28 08:11:48   2021-01-28 09:13:42
3   8           B           2021-01-30 06:32:32   2021-02-01 00:00:00
4   8           B           2021-02-01 00:00:00   2021-02-02 08:14:24
5   9           B           2021-02-01 11:21:39   2021-03-01 00:00:00
6   9           B           2021-03-01 00:00:00   2021-04-01 00:00:00
7   9           B           2021-04-01 00:00:00   2021-04-04 09:22:19
8   29          C           2021-02-02 17:03:18   2021-02-03 13:05:28

我想尽可能多地利用 Pandas 的矢量化，而不是自定义函数，因为数据集很大，因此可以迭代地应用于每一行。

关于如何从第一个输出到第二个输出的任何想法？

科拉连

您可以使用一个月的频率构建新的DateTimeIndex，date_range然后返回间隔：

def find_interval(sr):
    dti = pd.date_range(sr['start'], sr['end'], freq='M').normalize() \
              + pd.Timedelta(days=1)
    return list(zip([sr['start']] + dti.tolist(), dti.tolist() + [sr['end']]))

df1 = df.apply(find_interval, axis=1).explode().apply(pd.Series)
df1 = df.drop(columns=['start', 'end']) \
        .join(df1).rename(columns={0: 'start', 1: 'end'})

输出

>>> df1
   id_kanban component               start                 end
0        244         A 2021-01-23 11:51:39 2021-02-01 00:00:00
0        244         A 2021-02-01 00:00:00 2021-02-11 10:20:21
1        243         A 2021-01-28 08:11:48 2021-01-28 09:13:42
2          8         B 2021-01-30 06:32:32 2021-02-01 00:00:00
2          8         B 2021-02-01 00:00:00 2021-02-02 08:14:24
3          9         B 2021-02-01 11:21:39 2021-03-01 00:00:00
3          9         B 2021-03-01 00:00:00 2021-04-01 00:00:00
3          9         B 2021-04-01 00:00:00 2021-04-04 09:22:19
4         29         C 2021-02-02 17:03:18 2021-02-03 13:05:28

本文收集自互联网，转载请注明来源。

如有侵权，请联系 [email protected] 删除。