нужен умный цикл - сортируйте столбец DateTime и измеряйте скученность
Вы можете использовать grep
grep("es", "Test")
[1] 1
grep("et", "Test")
integer(0)
0
задан kerwei 27 March 2019 в 10:56
поделиться
1 ответ
Вот один из способов сделать это. Очень похоже на идею, которую вы описали в своем посте, но это длинный цикл шагов. Возможно, кто-то другой может иметь более короткую реализацию.
import pandas as pd
>>>df
case RegisterDateTime DischargeDateTime TransferDateTime
0 0 1/1/13 0:12 1/1/13 0:48 NaN
1 1 1/1/13 0:43 1/1/13 2:12 NaN
2 2 1/1/13 0:56 1/1/13 1:22 NaN
3 3 1/1/13 1:04 1/1/13 4:12 NaN
4 4 1/1/13 1:34 1/1/13 4:52 NaN
5 5 1/1/13 2:01 NaN 1/1/13 5:34
# Construct population outflow. This is where you merge Discharges with Transfers
df_out = pd.DataFrame([(j,k) if str(k) != 'nan' else (j,v) for j, k, v in zip(df['case'], df['DischargeDateTime'],df['TransferDateTime'])])
df_out.columns = ['out', 'time']
# You can skip this if your column is already in DateTime
df_out['time'] = pd.to_datetime(df_out['time'])
# Needed for resampling
df_out.set_index('time', inplace=True)
df_out = df_out.resample('H').count().cumsum()
# Needed for merging later
df_out.reset_index(inplace=True)
>>>df_out
out
time
2013-01-01 00:00:00 1
2013-01-01 01:00:00 2
2013-01-01 02:00:00 3
2013-01-01 03:00:00 3
2013-01-01 04:00:00 5
2013-01-01 05:00:00 6
# Now, repeat for the population inflow
df_in = df.loc[:, ['case', 'RegisterDateTime']]
df_in.columns = ['in', 'time']
df_in['time'] = pd.to_datetime(df_in['time'])
df_in.set_index('time', inplace=True)
df_in = df_in.resample('H').count().cumsum()
df_in.reset_index(inplace=True)
>>>df_in
in
time
2013-01-01 00:00:00 3
2013-01-01 01:00:00 5
2013-01-01 02:00:00 6
# You can now combine the two
df= pd.merge(df_in, df_out)
df['population'] = df['in'] - df['out']
>>>df
time in out population
0 2013-01-01 00:00:00 3 1 2
1 2013-01-01 01:00:00 5 2 3
2 2013-01-01 02:00:00 6 3 3
0
ответ дан kerwei 27 March 2019 в 10:56
поделиться
Другие вопросы по тегам: