Pandas中基于多条件和时间窗口匹配并聚合多条记录

引言

在数据分析场景中，我们经常需要将两个或多个数据集进行关联。当关联条件不仅包括精确匹配的键，还涉及时间范围，并且要求收集时间窗口内所有符合条件的记录时，传统的合并操作（如merge或merge_asof）可能无法直接满足需求。例如，我们可能需要找出每笔交易发生前7天内的所有浏览记录。本文将通过一个具体案例，详细介绍两种在pandas中实现此类复杂数据关联与聚合的方法。

问题描述与数据准备

假设我们有两个DataFrame：trade记录了交易信息，view记录了用户的浏览历史。我们需要为每一笔交易，找出其发生前7天内，由同一用户（person）对同一商品（code）进行的所有浏览记录。

首先，我们创建示例数据并进行初步的数据类型转换，确保日期列为datetime类型，这对于时间相关的计算至关重要。

import pandas as pd
import janitor # 导入pyjanitor库

# 交易数据
trade = pd.DataFrame({
    'date': ['2019-08-31', '2019-09-01', '2019-09-04'],
    'person': [1, 1, 2],
    'code': [123, 123, 456],
    'value1': [1, 2, 3]
})

# 浏览历史数据
view = pd.DataFrame({
    'date': ['2019-08-29', '2019-08-29', '2019-08-30', '2019-08-31', '2019-09-01',
             '2019-09-01', '2019-09-01', '2019-09-02', '2019-09-03'],
    'person': [1, 1, 1, 2, 1, 2, 2, 1, 2],
    'code': [123, 456, 123, 456, 123, 123, 456, 123, 456],
    'value': [1, 2, 3, 4, 5, 6, 7, 8, 9]
})

# 将日期列转换为datetime类型
trade['date'] = pd.to_datetime(trade['date'])
view['date'] = pd.to_datetime(view['date'])

print("交易数据 (trade DataFrame):")
print(trade)
print("\n浏览历史数据 (view DataFrame):")
print(view)

期望结果： 对于每一笔交易，我们希望得到一个包含其交易日期、人员、商品代码、交易值，以及一个列表，列出该交易前7天内所有相关浏览记录的日期和对应的浏览值。

pd.merge_asof虽然可以处理时间序列的近似合并，但它的设计是为每个左侧记录找到一个最近的右侧记录，而不是收集时间窗口内的所有记录。因此，我们需要更灵活的方法。

解决方案一：使用 pyjanitor.conditional_join (推荐)

pyjanitor是一个增强Pandas功能的库，其conditional_join函数特别适用于处理涉及多个条件（包括范围条件）的复杂合并。它能够高效地执行非等值连接，并且可以保留所有符合条件的匹配项。

实现步骤：

1. 创建辅助列 start_date: 对于trade DataFrame中的每笔交易，计算其发生日期减去7天作为时间窗口的起始日期。
2. 重命名 view DataFrame的列: 为了在合并后区分来源，我们将view DataFrame中的date和value列重命名为view_dates和view_values。
3. 执行 conditional_join:
   • 指定左侧DataFrame (trade) 和右侧DataFrame (view的重命名版本)。
   • 定义合并条件：
     • ('start_date', 'view_dates', '<='): 浏览日期必须大于或等于交易的起始日期。
     • ('date', 'view_dates', '>='): 浏览日期必须小于或等于交易的结束日期（即交易日期）。
     • ('person', 'person', '=='): 用户ID必须匹配。
     • ('code', 'code', '=='): 商品代码必须匹配。
   • right_columns参数用于指定从右侧DataFrame中保留的列。
4. 后处理与聚合:
   • 删除不再需要的start_date辅助列。
   • 将view_dates转换回字符串格式（如果需要与期望输出一致）。
   • 使用groupby结合agg(list)将每个交易的所有匹配浏览记录聚合为列表。

# 解决方案一：使用pyjanitor.conditional_join
out_janitor = (
    trade
    .assign(start_date=lambda d: d['date'].sub(pd.DateOffset(days=7))) # 1. 创建辅助列
    .conditional_join(
        view.rename(columns={'date': 'view_dates', 'value': 'view_values'}), # 2. 重命名列
        ('start_date', 'view_dates', '<='), # 条件1: 浏览日期 >= 交易开始日期
        ('date', 'view_dates', '>='),      # 条件2: 浏览日期 <= 交易日期
        ('person', 'person', '=='),        # 条件3: 人员匹配
        ('code', 'code', '=='),            # 条件4: 商品代码匹配
        right_columns=['view_dates', 'view_values'] # 保留右侧的这些列
    )
    .drop(columns='start_date') # 删除辅助列
    .assign(view_dates=lambda d: d['view_dates'].dt.strftime('%Y-%m-%d')) # 格式化日期
    .groupby(list(trade), as_index=False).agg(list) # 按原始trade列分组并聚合为列表
)

print("\n解决方案一 (pyjanitor.conditional_join) 结果:")
print(out_janitor)

结果分析:pyjanitor.conditional_join能够高效地处理多个非等值条件，并且会返回所有符合条件的匹配项。最终通过groupby.agg(list)将这些匹配项聚合到每个原始交易记录下，生成了我们期望的列表结构。

喵记多

喵记多 - 自带助理的 AI 笔记

27

查看详情

解决方案二：纯 Pandas 实现

如果不想引入额外的库，也可以通过纯Pandas操作实现，但对于大数据集而言，其效率可能不如conditional_join。这种方法的核心思想是先进行一次宽泛的合并，然后进行严格的筛选。

实现步骤：

1. 宽泛合并: 使用merge函数基于共同的person和code列进行合并。这将产生一个包含所有可能组合的中间DataFrame。
2. 时间条件筛选: 在合并结果上应用时间窗口条件进行筛选。即，view_dates必须在trade的date之前，且在trade的date减去7天之后。
3. 后处理与聚合: 与pyjanitor方案类似，对view_dates进行格式化，然后使用groupby结合agg(list)进行聚合。

# 解决方案二：纯Pandas实现
out_pandas = (
    trade
    .merge(view.rename(columns={'date': 'view_dates', 'value': 'view_values'}), # 1. 宽泛合并
           on=['person', 'code'])
    .loc[lambda d: d['date'].gt(d['view_dates']) & # 2. 时间条件筛选: 交易日期 > 浏览日期
                 d['date'].sub(pd.DateOffset(days=7)).le(d['view_dates']) # 交易日期-7天 <= 浏览日期
        ]
    .assign(view_dates=lambda d: d['view_dates'].dt.strftime('%Y-%m-%d')) # 格式化日期
    .groupby(list(trade), as_index=False).agg(list) # 按原始trade列分组并聚合为列表
)

print("\n解决方案二 (纯Pandas) 结果:")
print(out_pandas)

结果分析: 纯Pandas方案通过先生成一个较大的中间结果（所有person和code匹配的组合），然后进行两次时间条件的过滤。虽然也能得到正确结果，但中间DataFrame的大小可能会显著增加内存消耗和计算时间，尤其是在原始数据量较大时。

总结与注意事项

本文介绍了两种在Pandas中实现基于多条件和时间窗口聚合数据的有效方法：

• pyjanitor.conditional_join: 推荐用于处理复杂、非等值连接条件的场景。它能够更高效地处理时间范围匹配，避免生成过大的中间DataFrame，尤其适用于大型数据集。
• 纯Pandas方案: 适用于对性能要求不那么极致，或数据集规模相对较小的场景。其优点是不依赖第三方库，但可能在处理大数据时面临性能瓶颈。

关键注意事项：

1. 日期类型转换: 始终确保涉及时间计算的列是Pandas的datetime类型，这是进行日期算术的基础。
2. 时间偏移量: 使用pd.DateOffset可以方便地进行日期加减操作，例如pd.DateOffset(days=7)。
3. groupby().agg(list): 这是将多个匹配项聚合到列表中的关键步骤。list(trade)作为groupby的参数，确保了按照原始trade DataFrame的所有列进行分组，从而保持了交易记录的唯一性。
4. 性能考量: 对于大规模数据集，pyjanitor.conditional_join通常会提供更好的性能，因为它在底层优化了非等值连接的执行。纯Pandas方案的merge操作可能会导致笛卡尔积的子集，从而消耗更多内存和计算资源。

选择哪种方案取决于具体的需求、数据集大小以及对外部库的接受程度。在追求效率和简洁性时，pyjanitor提供了一个强大的工具。

以上就是Pandas中基于多条件和时间窗口匹配并聚合多条记录的详细内容，更多请关注php中文网其它相关文章！