如何计算不规则间隔事件的时间戳差并验证特定事件序列

先看你提供的事件日志样例：

一、计算a=true到对应b=false的时间差 #

假设你的日志用Pandas DataFrame存储（列名比如timestamp、event，event取值为a=true/a=false/b=true/b=false），可以这么实现：

1. 给每条记录标记归属的"a=true分组"：每当出现a=true时，分组ID递增，后续所有事件（直到下一个a=true）都归到这个分组

import pandas as pd

# 假设数据已读入df，timestamp需转为datetime类型
df['group_id'] = df['event'].eq('a=true').cumsum()

2. 提取每个分组里a=true的时间戳，合并回原数据：

# 取每个分组首次出现a=true的时间
a_true_times = df[df['event'] == 'a=true'].groupby('group_id')['timestamp'].first().rename('a_true_ts')
# 合并到原表
df = df.merge(a_true_times, on='group_id', how='left')

3. 筛选b=false记录，计算时间差：

b_false_records = df[df['event'] == 'b=false'].copy()
b_false_records['time_diff'] = b_false_records['timestamp'] - b_false_records['a_true_ts']

time_diff列就是每个b=false对应的最近前序a=true的时间差。

二、验证事件顺序是否符合a=true→b=true→a=false→b=false #

按a=true分组，检查每组内的事件序列是否严格匹配要求：

1. 按分组提取每组的事件列表：

grouped_events = df.groupby('group_id')['event'].apply(list).reset_index(name='event_sequence')

2. 定义验证函数，检查序列是否合规：

def validate_sequence(seq):
    target_order = ['a=true', 'b=true', 'a=false', 'b=false']
    # 过滤掉无关事件（如果日志里只有这四种事件可跳过此步）
    filtered_seq = [e for e in seq if e in target_order]
    # 检查是否和目标顺序完全一致
    return filtered_seq == target_order

# 标记每个分组是否合规
grouped_events['is_valid'] = grouped_events['event_sequence'].apply(validate_sequence)

3. 查看不合规的分组：

invalid_groups = grouped_events[~grouped_events['is_valid']]
print("不符合顺序的分组：")
print(invalid_groups)

如果日志里同一分组存在重复事件，可调整逻辑，比如只取每个事件首次出现的顺序来验证。

内容的提问来源于stack exchange，提问作者trex98