如何计算每组熊猫 df 中 "True" 值的平均连续持续时间？

Question

有了以下数据，我想我想要一个列(DESIRED_DURATION_COL)来计算连续真理的持续时间(根据start_datetime):

tbody> <<tr> 1 1 1 1 1 1 1

project_id	start_datetime	diag_local_code	DESIRED_DURATION_COL
1	2017-01-18	假	0
	2019-04-14	真正	0
	2019-04-17	真正	3
	2019-04-19	假	0
	2019-04-23	真正	0
	2019-04-25	真正	2
	2019-04-30	真正	7
	2019-05-21	假	0

计算duration的解:

m = df['diag_local_code']
dt = df[m].groupby(['project_id', (~m).cumsum()])['start_datetime'].transform('first')
df['duration'] = df['start_datetime'].sub(dt).dt.days.fillna(0)

这是如何工作的?

在反向diag_local_code上使用cumsum来识别每个project_id的连续组，然后过滤diag_local_code为True的行，然后将过滤后的数据帧分组，并将start_datetime与first转换为跨每组广播第一个日期值，最后从start_datetime中减去广播的日期值以计算所需的持续时间

结果

   project_id start_datetime  diag_local_code  duration
0           1     2017-01-18            False       0.0
1           1     2019-04-14             True       0.0
2           1     2019-04-17             True       3.0
3           1     2019-04-19            False       0.0
4           1     2019-04-23             True       0.0
5           1     2019-04-25             True       2.0
6           1     2019-04-30             True       7.0
7           1     2019-05-21            False       0.0

---

计算True值平均连续持续时间的解

m = df['diag_local_code']
(
    df[m].groupby(['project_id', (~m).cumsum()])['start_datetime']
         .agg(np.ptp).dt.days.groupby(level=0).mean().reset_index(name='avg_duration')
)

结果:

   project_id  avg_duration
0           1           5.0

您可以按project_id列分组，并将每组拆分为连续的值组。然后检查groups值是否全部为True

def avg_duration(group):
    subgroup = group.groupby(group['diag_local_code'].diff().ne(0).cumsum())
    true_count = subgroup.apply(lambda g: g['diag_local_code'].all()).sum()
    true_last_sum = subgroup.apply(lambda g: g.iloc[-1]['DESIRED_DURATION_COL'] if g['diag_local_code'].all() else 0).sum()
    return true_last_sum/true_count
out = df.groupby('project_id').apply(avg_duration).to_frame('avg_duration').reset_index()

print(out)
   project_id  avg_duration
0           1           5.0