根据分组数据创建一个新列

Question

我有一只熊猫-

id  session_id  timestamp   url
1      #123        1       a.com
1      #123        2       a.com
1      #123        3       b.com
1      #123        4       b.com
1      #123        5       a.com
1      #546        37      c.com
2      #342        78      b.com
2      #674        79      c.com

我希望使用id对所有数据进行分组，然后使用session_id计算每个url上的总时间。

做DataFrame的代码-

pd.DataFrame({
    'id':[1, 1, 1, 1, 1, 1, 2, 2],
    'session_id':['#123', '#123', '#123', '#123', '#123', '#546', '#342', '#674'],
    'url':['a.com', 'a.com', 'b.com', 'b.com', 'a.com', 'c.com', 'b.com', 'c.com'],
    'timestamp':[1,2,3,4,5,37,78,79]
})

Timespent被计算为2(timestamp)-1(timestamp)=1 (实际数据具有时间戳作为UNIX时间戳)，现在对于id 1和session_id #123 - a.com有total_timespent as (2-1)+(5-4) =2(因为3,4时间戳用于b.com)。

预期输出-

id  session_id  timestamp   url    total_time
1      #123        1       a.com       2
1      #123        2       a.com       2
1      #123        3       b.com       2
1      #123        4       b.com       2
1      #123        5       a.com       2
1      #546        37      c.com       0
2      #342        78      b.com       0
2      #674        79      c.com       0

在这里，url的时间被广播到url的所有行(如id和session_id)。

Answer 1

您可以首先计算每个会话每个条目的时间差，并将其存储在一个新列time_diff中：

df['time_diff'] = df.groupby(['id', 'session_id']).diff().fillna(0) 

然后，对于会话中的每个url，您可以将花在该url上的时间加起来：

df['total_time'] = df.groupby(['id', 'session_id', 'url'])['time_diff'].transform('sum')

这导致了这样的输出：

id  session_id  url timestamp   time_diff   total
0   1   #123    a.com   1   0.0 2.0
1   1   #123    a.com   2   1.0 2.0
2   1   #123    b.com   3   0.0 2.0
3   1   #123    b.com   4   1.0 2.0
4   1   #123    a.com   5   1.0 2.0
5   1   #546    c.com   37  0.0 0.0
6   2   #342    b.com   78  0.0 0.0
7   2   #674    c.com   79  0.0 0.0