如何用Pandas计算用户跨多天的日均活动间隔均值？

你的原代码直接在User ID + week分组下计算所有活动时间的间隔均值，这会把跨天的长间隔（比如前一天最后一次活动到次日第一次活动的间隔）也纳入计算，导致结果偏离预期。而你需要的是先计算单日内的活动间隔均值，再对这些单日均值求平均，得到每周的最终结果。

具体解决步骤 #

1. 预处理日期字段

先确保Activity Date是datetime类型，并提取纯日期部分用于按天分组：

import pandas as pd

# 转换为datetime类型（如果还不是的话）
d['Activity Date'] = pd.to_datetime(d['Activity Date'])
# 提取日期（不含时分秒）
d['activity_day'] = d['Activity Date'].dt.date

2. 计算单日活动间隔均值

按User ID + week + activity_day分组，计算每天内的活动间隔均值（跳过diff产生的NaN值）：

daily_interval_avg = d.sort_values('Activity Date').groupby(['User ID', 'week', 'activity_day'])['Activity Date'].apply(
    lambda x: x.diff().dropna().mean()
).dt.total_seconds() / 60  # 转换为分钟单位

3. 计算每周的日均均值的平均值

再按User ID + week分组，对单日均值求平均，得到最终结果：

weekly_final_avg = daily_interval_avg.groupby(['User ID', 'week']).mean()

合并后的完整代码 #

import pandas as pd

# 日期预处理
d['Activity Date'] = pd.to_datetime(d['Activity Date'])
d['activity_day'] = d['Activity Date'].dt.date

# 分步计算：单日间隔均值 → 每周平均
weekly_final_avg = (
    d.sort_values('Activity Date')
    .groupby(['User ID', 'week', 'activity_day'])['Activity Date']
    .apply(lambda x: x.diff().dropna().mean())
    .dt.total_seconds() / 60
    .groupby(['User ID', 'week'])
    .mean()
)

逻辑说明 #

这个流程完全符合你的需求：先过滤掉跨天的无效间隔，只计算每天内的活动间隔均值，再将这些单日均值做平均，得到用户每周的活动间隔平均时长。比如你提到的week1示例，假设每天的间隔均值都是2分钟，最终结果就是2分钟，不会被跨天的长间隔干扰。

内容的提问来源于stack exchange，提问作者kri