如何使用间隔基于时间删除相同的值？

Question

我有一个数据集，如下所示：

Name |        Time     |   App 
---------------------------------
Mike  2019-05-10 21:10 chrome.exe
Mike  2019-05-10 21:10 chrome.exe
Mike  2019-05-10 21:12 chrome.exe
John  2019-05-10 18:09 chrome.exe
John  2019-05-10 18:25 chrome.exe

我的目标是：我想基于同一时间或每隔5分钟为每个用户组合相同的应用程序，并且仅保存最早的时间戳。

预期产量：

Name |        Time     |   App 
---------------------------------
Mike  2019-05-10 21:10 chrome.exe
John  2019-05-10 18:09 chrome.exe
John  2019-05-10 18:25 chrome.exe

迈克跑了chrome.exe3次，但间隔小于等于5，所以我们想算一次。虽然John跑了chrome.exe2次但间隔> 5分钟，所以它们算作单独的跑步。我试过了merge，merge_asof用pd.timedelta。

Answer 1

让我们首先创建示例数据框（与您的有点不同）：

data = [('2019-01-01 13:00','John', 'Chrome'),('2019-01-01 13:02','John', 'Chrome'),('2019-01-01 13:06','John', 'Chrome'),('2019-01-01 13:00','Mike', 'Chrome'),('2019-01-01 13:02','Mike', 'Chrome'), ('2019-01-01 13:06','John', 'Chrome')]
df = pd.DataFrame(data, columns =['Time','Name','App'])

您需要时间作为数据框中的索引。您可以通过以下方式实现这一目标：

df.index = pd.to_datetime(df['Time'])

然后您可以执行以下操作：

df.groupby(['Name', 'App', pd.Grouper(freq='5T')]).min() #5T here means 5 minutes

（请注意，这将以五分钟间隔进行分组，从整点开始，这意味着就该解决方案而言，13:04 和 13:06 是两个不同的事件）。您可以通过http://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html查找不同的频率进行分组

结果：

Name  App     Time               
John  Chrome  2019-01-01 13:00:00    2019-01-01 13:00
              2019-01-01 13:05:00    2019-01-01 13:06
Mike  Chrome  2019-01-01 13:00:00    2019-01-01 13:00

第二次是您感兴趣的时间。结果是 pd.Series，您可能希望将其设为数据框或 apply .unstack(level=1)。

正如评论中指出的那样，您可能不一定希望将 Time 既作为索引又作为新列，那么df.index = pd.to_datetime(df.Time)您可能想要这样做：

df.set_index('Time', inplace=True)