根据时间戳合并的pandas 不完全匹配

Question

有哪些方法可以合并时间戳不完全匹配的列？

DF1：

date    start_time  employee_id session_id
01/01/2016  01/01/2016 06:03:13 7261824 871631182

DF2：

date    start_time  employee_id session_id
01/01/2016  01/01/2016 06:03:37 7261824 871631182

我可以在[‘date’，’employee_id’，’session_id’]加入，但是有时同一名员工在同一日期会有多个相同的会话，这会导致重复。我可以删除发生这种情况的行，但是如果这样做，我将丢失有效的会话。

如果DF1的时间戳小于DF2的时间戳少于5分钟，并且session_id和employee_id也匹配，是否有一种有效的加入方法？如果存在匹配的记录，则时间戳将总是比DF1稍晚，因为某个事件在某个将来的时间点触发。

['employee_id', 'session_id', 'timestamp<5minutes']

编辑 -我认为以前可能有人遇到过此问题。

我正在考虑这样做：

1. 在每个数据帧上加上我的时间戳
2. 创建一个时间戳+ 5分钟（四舍五入）的列
3. 创建一个作为时间戳的列-5分钟（四舍五入）
4. 创建一个10分钟的时间间隔字符串以连接文件

df1['low_time'] = df1['start_time'] - timedelta(minutes=5)
df1['high_time'] = df1['start_time'] + timedelta(minutes=5)
df1['interval_string'] = df1['low_time'].astype(str) +

df1[‘high_time’].astype(str)

有人知道如何将这5分钟的间隔四舍五入到最近的5分钟标记吗？

02:59:37-5分钟= 02:55:00

02:59:37 + 5分钟= 03:05:00

interval_string = ‘02：55：00-03：05：00’

pd.merge(df1, df2, how = 'left', on = ['employee_id', 'session_id', 'date', 'interval_string']

有谁知道如何打发时间？这似乎可以工作。您仍然根据日期，员工和会话进行匹配，然后查找基本上在相同的10分钟间隔或范围内的时间

Answer 1

考虑以下迷你版本的问题：

from io import StringIO
from pandas import read_csv, to_datetime

# how close do sessions have to be to be considered equal? (in minutes)
threshold = 5

# datetime column (combination of date + start_time)
dtc = [['date', 'start_time']]

# index column (above combination)
ixc = 'date_start_time'

df1 = read_csv(StringIO(u'''
date,start_time,employee_id,session_id
01/01/2016,02:03:00,7261824,871631182
01/01/2016,06:03:00,7261824,871631183
01/01/2016,11:01:00,7261824,871631184
01/01/2016,14:01:00,7261824,871631185
'''), parse_dates=dtc)

df2 = read_csv(StringIO(u'''
date,start_time,employee_id,session_id
01/01/2016,02:03:00,7261824,871631182
01/01/2016,06:05:00,7261824,871631183
01/01/2016,11:04:00,7261824,871631184
01/01/2016,14:10:00,7261824,871631185
'''), parse_dates=dtc)

这使

>>> df1
      date_start_time  employee_id  session_id
0 2016-01-01 02:03:00      7261824   871631182
1 2016-01-01 06:03:00      7261824   871631183
2 2016-01-01 11:01:00      7261824   871631184
3 2016-01-01 14:01:00      7261824   871631185
>>> df2
      date_start_time  employee_id  session_id
0 2016-01-01 02:03:00      7261824   871631182
1 2016-01-01 06:05:00      7261824   871631183
2 2016-01-01 11:04:00      7261824   871631184
3 2016-01-01 14:10:00      7261824   871631185

您希望将其视为合并时的df2[0:3]重复项df1[0:3]（因为它们分别相距少于5分钟），但是请视为df1[3]并df2[3]视为单独的会话。

解决方案1：间隔匹配

这实质上就是您在编辑中建议的内容。您希望将两个表中的时间戳映射到以时间戳为中心的10分钟间隔，并四舍五入到最接近的5分钟。

每个间隔都可以由其中点唯一表示，因此您可以合并时间戳上的数据帧，四舍五入到最接近的5分钟。例如：

import numpy as np

# half-threshold in nanoseconds
threshold_ns = threshold * 60 * 1e9

# compute "interval" to which each session belongs
df1['interval'] = to_datetime(np.round(df1.date_start_time.astype(np.int64) / threshold_ns) * threshold_ns)
df2['interval'] = to_datetime(np.round(df2.date_start_time.astype(np.int64) / threshold_ns) * threshold_ns)

# join
cols = ['interval', 'employee_id', 'session_id']
print df1.merge(df2, on=cols, how='outer')[cols]

哪个打印

             interval  employee_id  session_id
0 2016-01-01 02:05:00      7261824   871631182
1 2016-01-01 06:05:00      7261824   871631183
2 2016-01-01 11:00:00      7261824   871631184
3 2016-01-01 14:00:00      7261824   871631185
4 2016-01-01 11:05:00      7261824   871631184
5 2016-01-01 14:10:00      7261824   871631185

请注意，这并不完全正确。会话df1[2]和和df2[2]，尽管相距仅3分钟，却不被视为重复。这是因为它们位于间隔边界的不同侧。

解决方案2：一对一匹配

这是另一种方法，取决于in中的会话在中df1具有零或一个重复项的条件df2。

我们将时间戳替换df1为最近的时间戳，df2其中匹配的时间为employee_id，session_id 并且 相距不到5分钟。

from datetime import timedelta

# get closest match from "df2" to row from "df1" (as long as it's below the threshold)
def closest(row):
    matches = df2.loc[(df2.employee_id == row.employee_id) &
                      (df2.session_id == row.session_id)]

    deltas = matches.date_start_time - row.date_start_time
    deltas = deltas.loc[deltas <= timedelta(minutes=threshold)]

    try:
        return matches.loc[deltas.idxmin()]
    except ValueError:  # no items
        return row

# replace timestamps in "df1" with closest timestamps in "df2"
df1 = df1.apply(closest, axis=1)

# join
cols = ['date_start_time', 'employee_id', 'session_id']
print df1.merge(df2, on=cols, how='outer')[cols]

哪个打印

      date_start_time  employee_id  session_id
0 2016-01-01 02:03:00      7261824   871631182
1 2016-01-01 06:05:00      7261824   871631183
2 2016-01-01 11:04:00      7261824   871631184
3 2016-01-01 14:01:00      7261824   871631185
4 2016-01-01 14:10:00      7261824   871631185

这种方法明显较慢，因为您必须在中搜索df2每行的全部df1。我写的内容可能可以进一步优化，但是在大型数据集上仍然需要很长时间。