Pandas按personal_id计算application_id间的创建时间天数差

核心思路是先提取每个用户（personal_id）下每个申请（application_id）的唯一时间戳，计算完间隔后再合并回原数据集，避免同一申请内多行数据干扰计算。

步骤说明 #

• 第一步：提取每个personal_id+application_id对应的唯一时间戳，生成中间数据集（每个申请仅保留一行）
• 第二步：按用户分组，对申请按时间排序后计算连续申请的天数间隔
• 第三步：将计算好的间隔值合并回原DataFrame，确保同一申请的所有行值一致

代码实现 #

假设你的原DataFrame名为df，且creation_timestamp已转为datetime类型（若未转换需先执行转换代码）：

import pandas as pd

# 确保时间列是datetime类型（如果还不是的话）
df['creation_timestamp'] = pd.to_datetime(df['creation_timestamp'])

# 1. 提取每个用户+申请的唯一时间戳
unique_applications = df.groupby(['personal_id', 'application_id'])['creation_timestamp'].first().reset_index()

# 2. 按用户分组，按时间排序后计算连续申请的天数间隔
unique_applications = unique_applications.sort_values(['personal_id', 'creation_timestamp'])
unique_applications['days_between_applications'] = unique_applications.groupby('personal_id')['creation_timestamp'].diff().dt.days

# 3. 将间隔值合并回原DataFrame
df = df.merge(
    unique_applications[['personal_id', 'application_id', 'days_between_applications']],
    on=['personal_id', 'application_id'],
    how='left'
)

问题根源解释 #

你之前直接在原DataFrame上分组计算差值时，同一application_id下的多行数据时间戳相同，diff()会生成0.0；而跨申请的行才会得到正确的间隔值，导致同一申请内出现两种结果。通过先去重每个申请的唯一时间，再计算间隔，就能彻底避免这个问题。

补充调整 #

• 第一个申请的days_between_applications会是NaN，你可以根据需求用fillna(0)填充为0，或者保留NaN表示无前置申请
• 如果你的数据中存在特殊关联逻辑（比如同一application_id对应多个personal_id），可在分组和合并时调整对应字段

内容的提问来源于stack exchange，提问作者Alex Günsberg