如何基于Pandas分析客户服务支付时长的分布区间？

首先要把字符串格式的timeToPay转换为pandas的timedelta类型，再提取可量化的数值（比如总小时数），之后通过可视化或分组统计找到最集中的区间。

步骤1：转换时间格式并提取量化指标 #

先把原始字符串转为timedelta，再计算总小时数（保留两位小数，方便观察）：

import pandas as pd

df1 = pd.DataFrame({'id': ['1','2','3','4','5','6','7','8'],
                    'gender': ['Male','Female','Male','Female','Male','Female','Male','Male'],
                    'price': [250, 1000,300, 250, 1000, 500, 450, 500],
                    'timeToPay':['0 days 01:20:00','1 days 03:24:02','0 days 12:45:55','0 days 05:38:20','0 days 02:44:12','0 days 11:25:38','1 days 01:11:00','0 days 05:22:00']})

# 转换为timedelta类型
df1['timeToPay'] = pd.to_timedelta(df1['timeToPay'])
# 提取总小时数
df1['total_hours'] = df1['timeToPay'].dt.total_seconds() / 3600

步骤2：可视化看分布（直观找集中区间） #

用直方图直接展示支付时长的分布，能快速看到哪个区间客户最多：

import matplotlib.pyplot as plt

df1['total_hours'].plot(kind='hist', bins=10, edgecolor='black')
plt.xlabel('支付时长（小时）')
plt.ylabel('客户数量')
plt.title('支付时长分布直方图')
plt.show()

从示例数据的直方图能看到，大部分客户集中在0-6小时和10-14小时区间，其中0-6小时的客户数最多。

步骤3：自定义区间分组统计（精准定位） #

如果需要更精准的区间统计，可以手动定义区间，然后分组计数：

# 定义区间边界，可根据实际数据调整
bins = [0, 1, 6, 12, 24, 48]
labels = ['0-1小时', '1-6小时', '6-12小时', '12-24小时', '24-48小时']

# 给每条数据打区间标签
df1['pay_interval'] = pd.cut(df1['total_hours'], bins=bins, labels=labels, right=False)

# 统计每个区间的客户数
interval_count = df1['pay_interval'].value_counts().sort_index()
print(interval_count)

运行示例数据会得到：

0-1小时      0
1-6小时      4
6-12小时     2
12-24小时    1
24-48小时    1
Name: pay_interval, dtype: int64

能明确看到1-6小时是客户支付最集中的区间，有4位客户。

扩展：结合其他维度分析 #

如果需要看不同性别、不同价格区间的支付时长分布，可以用分组统计：

# 按性别和支付区间分组统计
gender_interval = df1.groupby(['gender', 'pay_interval'])['id'].count().unstack()
print(gender_interval)

内容的提问来源于stack exchange，提问作者user20916747