使用日期逻辑创建假数据

Question

我正在尝试将假数据插入到该表中。它不能完全随机，因为行需要有意义。下面我来解释一下。

我的数据如下所示：

帐号	帐户状态	开始日期	结束日期
C382861922	积极的	2016-05-25	没有任何
C382861922	不活动	没有任何	没有任何
C382861922	积极的	没有任何	没有任何
C382861922	不活动	没有任何	2021-12-31
C429768513	积极的	2015-12-27	没有任何
C429768513	不活动	没有任何	没有任何
C429768513	积极的	没有任何	没有任何
C429768513	不活动	没有任何	没有任何
C429768513	积极的	没有任何	没有任何
C429768513	不活动	没有任何	没有任何
C429768513	积极的	没有任何	没有任何
C429768513	不活动	没有任何	2021-12-31
C643625629	积极的	2016-07-24	没有任何
C643625629	不活动	没有任何	没有任何
C643625629	积极的	没有任何	2021-12-31
C82157435	积极的	2016-10-22	没有任何
C82157435	不活动	没有任何	2021-12-31

每个 AcctID 可以出现多次，但最容易解释我在做什么，仅举一个 AcctID 出现两次的例子：

帐号	帐户状态	开始日期	结束日期
C82157435	积极的	2016-10-22	没有任何
C82157435	不活动	没有任何	2021-12-31

我的目标是随机选择一个该客户更改其 account_status的日期，该日期将成为第一行的 end_date 和第二行的 start_date。所以，我只需要选择 1 个随机日期，并将其插入两个地方。很简单 - 我可以 max() 和 min() 然后计算天数差异，然后在该范围内选择一个随机整数。

但是，我无法弄清楚如何为使用超过 2 条记录的客户做到这一点：

帐号	帐户状态	开始日期	结束日期
C429768513	积极的	2015-12-27	没有任何
C429768513	不活动	没有任何	没有任何
C429768513	积极的	没有任何	没有任何
C429768513	不活动	没有任何	没有任何
C429768513	积极的	没有任何	没有任何
C429768513	不活动	没有任何	没有任何
C429768513	积极的	没有任何	没有任何
C429768513	不活动	没有任何	2021-12-31

会有好几个地方选择随机日期，但是由于它们需要相互对应，所以问题变得非常复杂。有任何想法吗？

这是创建示例数据框的代码：

import pandas as pd

fake = [
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "2015-12-27",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "2021-12-31"
 }
]

df = pd.DataFrame(fake)

编辑：这是程序输出可能是什么样子的一个假示例。请注意，大多数日期是随机选择的 - 但前一行的结束日期与下一行的开始日期相匹配。

帐号	帐户状态	开始日期	结束日期
C429768513	积极的	2015-12-27	2016-01-05
C429768513	不活动	2016-01-05	2016-03-01
C429768513	积极的	2016-03-01	2017-06-22
C429768513	不活动	2017-06-22	2017-09-04
C429768513	积极的	2017-09-04	2018-10-27
C429768513	不活动	2018-10-27	2019-04-04
C429768513	积极的	2019-04-04	2020-06-06
C429768513	不活动	2020-06-06	2021-12-31

Answer 1

解决这个问题的一种方法：

df = df.replace(to_replace='None', value=np.nan)

def random_date(x):
    s_d = pd.to_datetime(x[x['start_date'].notna()]['start_date'])
    e_d = pd.to_datetime(x[x['end_date'].notna()]['end_date'])
    
    start_u = s_d.iloc[0].value//10**9
    end_u = e_d.iloc[0].value//10**9
    end_date_list = sorted(pd.to_datetime(np.random.randint(start_u, end_u, len(x)-1), unit='s').values)
    end_date_list = np.append(end_date_list, e_d.values)
    x['end_date'] = end_date_list
    mask = x['start_date'].isna()
    x.loc[mask,'start_date'] = x.shift(1).loc[mask]['end_date'].astype(str)
    x['start_date'] = pd.to_datetime(x['start_date']).dt.date
    x['end_date'] = pd.to_datetime(x['end_date']).dt.date
    return x

df = df.groupby('AcctID').apply(random_date)

输出：

        AcctID account_status  start_date    end_date
0   C382861922         ACTIVE  2016-05-25  2016-12-23
1   C382861922       INACTIVE  2016-12-23  2017-12-28
2   C382861922         ACTIVE  2017-12-28  2019-04-24
3   C382861922       INACTIVE  2019-04-24  2021-12-31
4   C429768513         ACTIVE  2015-12-27  2017-12-04
5   C429768513       INACTIVE  2017-12-04  2019-01-07
6   C429768513         ACTIVE  2019-01-07  2019-04-03
7   C429768513       INACTIVE  2019-04-03  2020-06-13
8   C429768513         ACTIVE  2020-06-13  2021-02-13
9   C429768513       INACTIVE  2021-02-13  2021-03-09
10  C429768513         ACTIVE  2021-03-09  2021-08-09
11  C429768513       INACTIVE  2021-08-09  2021-12-31
12  C643625629         ACTIVE  2016-07-24  2021-02-27
13  C643625629       INACTIVE  2021-02-27  2021-05-20
14  C643625629         ACTIVE  2021-05-20  2021-12-31
15   C82157435         ACTIVE  2016-10-22  2021-02-20
16   C82157435       INACTIVE  2021-02-20  2021-12-31