如何使用Pandas按指定天数间隔分组时间戳并统计各类标签数量

原始数据集说明 #

数据集包含用户名称、创建日期、标签三个字段，其中created日期列非连续，样例如下：

name created    label         
0   leahbirdjohnso2 2020-02-20  PATRIOTSAWAKENED    
1   leahbirdjohnso2 2020-02-21  TRUMP2020           
2   carol2busy      2020-02-23  TRUMP2020   
3   carol2busy      2020-02-24  TRUMP2020   
4   GODRUS          2020-02-25  FOXNEWS 

需求说明 #

支持自定义时间间隔（如2天、3天、7天等），按时间窗口分组后，统计每个窗口内各标签的出现次数，不同间隔的预期输出样例如下：

• 间隔为2天的预期输出：

created     counts  label
2020-02-20  1   PATRIOTSAWAKENED
            1   TRUMP2020
2020-02-23  1   TRUMP2020       
2020-02-24  1   FOXNEWS
            1   TRUMP2020

• 间隔为3天的预期输出：

created     counts  label
2020-02-20  1   PATRIOTSAWAKENED
            1   TRUMP2020
2020-02-23  2   TRUMP2020
            1   FOXNEWS

实现代码 #

import pandas as pd

# 数据预处理：将created列转为日期类型，这一步必须做，避免日期运算报错
df['created'] = pd.to_datetime(df['created'])

# 自定义间隔天数，可按需修改为7、15等任意值
interval_days = 3

# 按时间间隔+标签分组统计
res = (df
       # 时间窗口从数据集最早日期开始计算，按指定天数划分
       .groupby([pd.Grouper(key='created', freq=f'{interval_days}D', origin='start'), 'label'])
       # 统计每组行数即为标签出现次数
       .size()
       .reset_index(name='counts')
      )

# 可选：调整显示格式，和示例输出保持一致，重复日期只显示一次
res['created'] = res['created'].dt.strftime('%Y-%m-%d')
res.loc[res['created'].duplicated(), 'created'] = ''

# 输出结果
print(res)

逻辑说明 #

• pd.Grouper是Pandas原生的时间分组工具，直接支持传入nD格式的自定义天频率，无需手动计算时间区间
• origin='start'参数指定时间窗口的起始点为数据集最早的日期，保证分组逻辑和示例完全匹配
• 最终得到的结果可直接用于后续分析，可选的格式处理仅为了对齐示例的展示效果，不影响统计结果准确性

内容的提问来源于stack exchange，提问作者olo