如何基于日期范围统计日粒度在场人数并绘制时序折线图

核心判定规则：成员在指定日期在场的充要条件为 进入日期 ≤ 统计日期 ≤ 离开日期，所有逻辑都基于这个规则实现。 #

前置依赖与数据预处理 #

首先导入需要的库，统一将日期字段转为标准时间格式，避免字符串比对出错：

import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.dates import DateFormatter

# 替换为实际数据读取逻辑即可，示例为题目给出的样例数据
df = pd.DataFrame({
    'member_name': ['John', 'Adam', 'Tyler', 'Amy'],
    'entry_date': ['2015-01-01', '2015-01-01', '2016-01-01', '2017-06-01'],
    'exit_date': ['2020-01-01', '2019-01-01', '2017-01-01', '2020-01-01']
})
# 日期字段统一转datetime类型
df['entry_date'] = pd.to_datetime(df['entry_date'])
df['exit_date'] = pd.to_datetime(df['exit_date'])

需求A：指定日期在场人数统计 #

直接通过布尔索引筛选符合条件的记录即可，单日期查询毫秒级返回：

def get_daily_count(target_date: str) -> int:
    target = pd.to_datetime(target_date)
    # 筛选进入时间不晚于目标日、离开时间不早于目标日的成员
    return df[(df['entry_date'] <= target) & (df['exit_date'] >= target)].shape[0]

# 样例测试：查询2016-06-01在场人数
print(get_daily_count('2016-06-01'))  # 输出3，与预期结果一致

需求B：日粒度在场人数折线图绘制 #

不要使用逐日期循环统计的方法，数据量大时性能极差。采用事件流累计法，时间复杂度O(n)，百万级数据也能秒级出结果：

1. 将每条成员记录拆为两个事件：进入日人数+1，离开日次日人数-1（离开当日成员仍在场，所以次日才扣减人数）
2. 按日期聚合每日人数变动值
3. 生成覆盖全周期的连续日期序列，补全无人员进出的日期
4. 对每日变动值做累计求和，得到每日在场总人数
5. 基于结果绘制折线图
   完整代码如下：

# 构造进出事件流
entry_records = pd.DataFrame({'date': df['entry_date'], 'delta': 1})
exit_records = pd.DataFrame({'date': df['exit_date'] + pd.Timedelta(days=1), 'delta': -1})
all_events = pd.concat([entry_records, exit_records]).sort_values('date')

# 生成完整日序列，计算每日在场人数
full_dates = pd.date_range(start=all_events['date'].min(), end=df['exit_date'].max(), freq='D')
daily_change = all_events.groupby('date')['delta'].sum().reindex(full_dates, fill_value=0)
daily_count = daily_change.cumsum().reset_index(name='present_count').rename(columns={'index': 'date'})

# 绘制折线图
plt.figure(figsize=(12, 4))
plt.plot(daily_count['date'], daily_count['present_count'], linewidth=1.5, color='#1f77b4')
# 坐标轴格式调整
plt.gca().xaxis.set_major_formatter(DateFormatter("%Y-%m"))
plt.gcf().autofmt_xdate()
plt.xlabel('日期')
plt.ylabel('在场人数')
plt.title('设施每日在场人数变化趋势')
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()

性能说明：事件流累计法不需要对每个日期遍历全量成员数据，哪怕是跨度10年、十万级成员记录的场景，计算耗时也不会超过1秒，完全满足日粒度细统计的需求。

内容的提问来源于stack exchange，提问作者Jordin M