Pandas按ID分组计算DataFrame首尾时间戳差值的方法

首先先做前置类型校验，确保时间列格式正确，否则时间差计算会报错：

import pandas as pd
# 将时间字段统一转换为pandas内置的datetime类型
df['retweet_datetime'] = pd.to_datetime(df['retweet_datetime'])
df['tweet_datetime'] = pd.to_datetime(df['tweet_datetime'])

你的数据集已经提前按retweet_datetime从新到旧降序排列，因此每个tweet_id分组内：

• 第一条记录的retweet_datetime就是该推文最晚转发时间
• 最后一条记录的retweet_datetime就是该推文最早转发时间
• 同组内tweet_datetime是固定的推文发布时间，取任意一条记录的值即可

直接用分组聚合就能得到每个tweet_id对应一行的结果，核心代码如下：

result_df = df.groupby('tweet_id', as_index=False).agg(
    # 末次转发时间减首次转发时间，得到首次转发到末次转发的跨度
    tweet_lifetime1 = ('retweet_datetime', lambda x: x.iloc[0] - x.iloc[-1]),
    # 末次转发时间减推文发布时间，得到发布到末次转发的跨度
    tweet_lifetime2 = ('retweet_datetime', lambda x: x.iloc[0] - df.loc[x.index, 'tweet_datetime'].iloc[0])
)

如果需要把输出的timedelta类型转换成你示例里04:16:55这种时:分:秒的字符串格式，追加以下处理代码即可：

# 统一格式化时间差为HH:MM:SS格式
for col in ['tweet_lifetime1', 'tweet_lifetime2']:
    result_df[col] = result_df[col].dt.components.apply(
        lambda row: f"{row.hours:02d}:{row.minutes:02d}:{row.seconds:02d}", axis=1
    )

补充说明：如果后续数据没有提前排序，也可以不依赖预先排序的逻辑，把聚合逻辑改成取组内retweet_datetime的最大值减最小值计算tweet_lifetime1，最大值减tweet_datetime计算tweet_lifetime2，代码鲁棒性更强，写法如下：

result_df = df.groupby('tweet_id', as_index=False).agg(
    tweet_datetime = ('tweet_datetime', 'first'),
    latest_retweet = ('retweet_datetime', 'max'),
    earliest_retweet = ('retweet_datetime', 'min')
).assign(
    tweet_lifetime1 = lambda x: x['latest_retweet'] - x['earliest_retweet'],
    tweet_lifetime2 = lambda x: x['latest_retweet'] - x['tweet_datetime']
).drop(columns=['latest_retweet', 'earliest_retweet', 'tweet_datetime'])

你之前用的df.groupby('tweet_id')['retweet_datetime'].diff()是计算组内相邻两行的时间差，适合统计相邻两次转发的间隔，和当前需要的组内首尾全局差值的场景逻辑不同，用上述聚合方案可以直接得到目标结果。

内容的提问来源于stack exchange，提问作者mOna