如何在Pandas中按30天时间间隔分组DataFrame行并生成事件起止日期？

需要对DataFrame中的行按时间跨度分类：时间差小于30天的行归为同一事件组，大于30天的视为独立事件。每组起始日期为组内第一条记录的start日期，结束日期为组内最后一条记录的start日期，未合并的事件起止日期相同。

示例DataFrame #

期望转换结果 #

测试数据代码 #

df = pd.DataFrame({
'id': [1, 2, 1, 1,  2, 2],
'start': ['2023-08-10', '2023-08-15', '2023-09-20', '2023-11-20', '2023-09-20', '2023-11-01'],
})

尝试的代码（未达到预期） #

delta = '30D'

# ensure datetime
df['start'] = df['start'].apply(pd.to_datetime)
# create new column
df['end'] = df['start']

# group values that are within 30D in a group
group = (df['start'].sub(df.groupby('id')['end'].shift()).gt(delta).groupby(df['id']).cumsum())

# aggregate
out = (df.groupby(['id', group], as_index=False).agg({'start': 'min', 'end': 'max'}))

解决方案 #

原代码的核心问题是分组逻辑错误：误用初始等于start的end列做偏移计算，且未正确按id分组后计算连续行的时间差。正确实现步骤如下：

1. 将start列转为datetime类型，并按id和start排序（保证时间顺序正确）
2. 按id分组，计算当前行start与上一行start的时间差
3. 当时间差大于30天或为组内第一行时，标记为新组
4. 按id累加新组标记生成组编号，最后分组聚合得到每组的起止日期

完整代码：

import pandas as pd

df = pd.DataFrame({
'id': [1, 2, 1, 1,  2, 2],
'start': ['2023-08-10', '2023-08-15', '2023-09-20', '2023-11-20', '2023-09-20', '2023-11-01'],
})

# 转换时间格式并按id、时间排序
df['start'] = pd.to_datetime(df['start'])
df = df.sort_values(['id', 'start']).reset_index(drop=True)

# 计算同id下当前行与上一行的时间差
df['time_diff'] = df.groupby('id')['start'].diff()

# 标记新组：时间差超30天或为组内首行
df['new_group'] = (df['time_diff'] > pd.Timedelta(days=30)) | df['time_diff'].isna()

# 生成组编号
df['group_id'] = df.groupby('id')['new_group'].cumsum()

# 分组聚合得到最终结果
result = df.groupby(['id', 'group_id'], as_index=False).agg(
    start=('start', 'min'),
    end=('start', 'max')
).drop(columns='group_id')

print(result)

运行输出：

id      start        end
0   1 2023-08-10 2023-09-20
1   1 2023-11-20 2023-11-20
2   2 2023-08-15 2023-09-20
3   2 2023-11-01 2023-11-01

内容的提问来源于stack exchange，提问作者Grigoris Papapostolou