R语言按用户分组基于双datetime列条件计数行数的实现

实现方案（基于Pandas） #

核心逻辑是按用户分组后先按时序排序，判断相邻行的时间间隔打会话标签，最后按会话聚合统计行数即可，完整实现如下：

前置准备：导入依赖&格式兼容 #

import pandas as pd
from datetime import datetime

# 如果你的时间列是字符串/Unix时间戳格式，先统一转datetime格式
# df['starttimes'] = pd.to_datetime(df['starttimes'])
# df['endtimes'] = pd.to_datetime(df['endtimes'])

第一步：构造模拟测试数据集（可跳过） #

data = [
    {"UserId": 1, "starttimes": datetime(2024,1,1,8,0), "endtimes": datetime(2024,1,1,8,30)},
    {"UserId": 1, "starttimes": datetime(2024,1,1,8,40), "endtimes": datetime(2024,1,1,9,10)},
    {"UserId": 1, "starttimes": datetime(2024,1,1,10,30), "endtimes": datetime(2024,1,1,11,0)},
    {"UserId": 1, "starttimes": datetime(2024,1,1,11,10), "endtimes": datetime(2024,1,1,11,40)},
    {"UserId": 2, "starttimes": datetime(2024,1,1,9,0), "endtimes": datetime(2024,1,1,9,20)},
    {"UserId": 2, "starttimes": datetime(2024,1,1,11,0), "endtimes": datetime(2024,1,1,11,30)},
]
df = pd.DataFrame(data)

第二步：核心逻辑实现 #

# 1. 按用户+开始时间排序，保证时序正确
df = df.sort_values(["UserId", "starttimes"]).reset_index(drop=True)

# 2. 计算当前行开始时间与上一行结束时间的差值（单位：小时）
df['prev_end'] = df.groupby('UserId')['endtimes'].shift(1)
df['time_diff_hour'] = (df['starttimes'] - df['prev_end']).dt.total_seconds() / 3600

# 3. 打会话标签：间隔≥1小时则开启新会话，标签逐次累加
df['new_session'] = (df['time_diff_hour'].fillna(0) >= 1).astype(int)
df['session_id'] = df.groupby('UserId')['new_session'].cumsum()

# 4. 按用户+会话分组统计区间内的行数
result = df.groupby(["UserId", "session_id"], as_index=False).size().rename(columns={"size": "row_count"})

结果验证 #

上述模拟数据运行后输出的result符合预期：

补充说明 #

• 不需要保留的中间字段（prev_end/time_diff_hour/new_session/session_id）统计完成后可直接删除
• 如果是Unix时间戳格式，不需要转datetime，直接做差值后除以3600（秒级时间戳）或3600*1000（毫秒级时间戳）判断即可
• 单用户只有1行记录的边界情况已自动兼容，直接统计为1行

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