按ID/Category/Site分组计算首尾任务完成日期的天数差

我有一个结构如下的DataFrame：

可以看到，同一个ID/Category/Site组合可能对应多个Task Completed日期。我需要计算每个组合对应的最早（最小）和最晚（最大）Task Completed日期之间的天数差，预期结果如下：

目前我已经知道要把Task Completed字段转换为datetime类型，并使用groupby按相关字段分组，代码示例如下：

df = pd.DataFrame(
[[1,'A','X','1/2/22 12:00:00AM'], 
[1,'A','X','1/3/22 12:00:00AM'], 
[1,'A','X','1/1/22 12:00:00AM'], 
[1,'A','X','1/2/22 1:00:00AM'], 
[1,'B','Y','1/1/22 1:00:00AM'],
[2,'A','Z','1/2/22 12:00:00AM'],
[2,'A','Z','1/1/22 12:00:00AM']], 
columns=['ID', 'Category', 'Site', 'Task Completed'])

df['task_completed'] = pd.to_datetime(df['Task Completed'])

res = df.sort_values('task_completed').groupby(['ID','Site','Category']).first()

但我不确定如何获取最大值并进行减法运算以得到预期结果。

解决方案 #

你可以通过groupby结合agg方法，同时提取每组的最大和最小日期，再计算两者的天数差：

# 转换日期类型
df['task_completed'] = pd.to_datetime(df['Task Completed'])

# 分组计算最大、最小日期，再求天数差
result = df.groupby(['ID', 'Category', 'Site'])['task_completed'].agg(['min', 'max'])
result['Time Difference'] = (result['max'] - result['min']).dt.days

# 重置索引并整理列顺序
result = result.reset_index()[['ID', 'Category', 'Site', 'Time Difference']]

print(result)

运行后输出结果如下：

ID Category Site  Time Difference
0   1        A    X                2
1   1        B    Y                0
2   2        A    Z                1

关键说明 #

• 使用agg(['min', 'max'])可以一次性获取每组的最早和最晚日期，比分别调用min()和max()更高效
• 两个datetime类型相减得到Timedelta对象，通过.dt.days提取天数部分
• 最后重置索引并调整列顺序，让结果和预期格式一致

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