python - nombre - crear columna pandas

Cálculo de la diferencia de tiempo promedio entre los artículos agrupados por una columna específica

Question

Tengo el siguiente marco de datos:

userid | time     
1        22.01.2001 13:00
1        22.01.2001 13:05   
1        22.01.2001 13:07  
2        22.01.2001 14:00
2        22.01.2001 14:04   
2        22.01.2001 13:05  
2        22.01.2001 13:06  
3        22.01.2001 13:20  
3        22.01.2001 13:22  
4        22.01.2001 13:37  

Lo que quiero obtener es una nueva columna por usuario que almacene la diferencia de tiempo promedio entre las actividades consecutivas:

userid | avg_time_diff
1        3.5    #(5 + 2) / 2
2        2      #(4 + 1 + 1) / 3
3        2
4        0

Para lograr esto, ¿necesito pasar por cada usuario y calcular la diferencia de tiempo promedio uno por uno? ¿O hay una forma más rápida de lograr el mismo resultado?

Answer 1

Considere el siguiente enfoque:

In [84]: df.sort_values(''time'').groupby(''userid'')[''time''] /
           .apply(lambda x: x.diff().dt.seconds.mean()/60)
Out[84]:
userid
1     3.500000
2    19.666667
3     2.000000
4          NaN
Name: time, dtype: float64

Algunas explicaciones

Primero ordenamos la columna DF por time , de lo contrario podríamos tener una diferencia negativa.

Luego, userid por userid de userid y para cada grupo calculamos una diferencia de tiempo para todas las filas consecutivas (ordenadas); esto generará una serie de timedelta64[ns] dtype, que tiene un .dt.seconds acceso .dt.seconds .

Usando .dt.seconds.mean() podemos calcular el promedio para cada grupo

ACTUALIZAR:

tomar la media sobre las diferencias que son menores de 60 minutos

In [122]: threshold = 60
     ...:
     ...: (df.sort_values(''time'').groupby(''userid'')[''time'']
     ...:    .apply(lambda x: (x.diff().dt.seconds/60)
     ...:                     .to_frame(''diff'')
     ...:                     .query("diff < @threshold")[''diff''].mean()))
     ...:
Out[122]:
userid
1     3.500000
2    19.666667
3     2.000000
4          NaN
Name: time, dtype: float64