基于进出时间数据集逐小时统计区域存量的技术问询

嘿，我来帮你搞定这个逐小时统计区域存量的需求！这里有两种实用的实现方式，既可以在原数据集上扩展满足你的优先要求，也能生成独立的统计结果，用Python的pandas处理起来非常顺畅。

第一步：准备数据与基础转换 #

首先我们把给定的数据集读入，然后给原数据新增两个关键列：Arrival_Hour（用户进入时间对应的小时数，从2000-01-01 00:00开始计算）和Exit_Hour（用户离开时间对应的小时数）。这一步是为了快速定位每个用户覆盖的小时区间。

import pandas as pd

# 加载你的数据集
df = pd.DataFrame({
    'ID': [7656, 7657, 7658, 7659, 7660],
    'Arrival (sec)': [152845.085, 152845.085, 147617, 152852.811, 147617],
    'Exit (sec)': [155747.92, 155784.91, 150035.747, 158216.428, 150076.503]
})

# 计算进入/离开对应的小时数（秒数整除3600，得到从起始点开始的小时序号）
df['Arrival_Hour'] = df['Arrival (sec)'].floordiv(3600).astype(int)
df['Exit_Hour'] = df['Exit (sec)'].floordiv(3600).astype(int)

此时原数据集新增列后，截取部分内容如下：

ID Arrival (sec) Exit (sec) Arrival_Hour Exit_Hour
7656 152845.085 155747.92 42 43
7657 152845.085 155784.91 42 43
...

方式一：在原数据集扩展后统计（优先满足需求） #

我们可以给原数据集新增Covered_Hours列，把每个用户覆盖的所有小时都列出来，再通过展开分组来统计每个小时的存量。

# 生成每个用户覆盖的小时列表（从进入小时到离开小时的所有整数小时）
df['Covered_Hours'] = df.apply(lambda row: list(range(row['Arrival_Hour'], row['Exit_Hour'] + 1)), axis=1)

# 展开小时列表，让每个小时对应一条用户记录
expanded_df = df.explode('Covered_Hours')

# 按小时分组，统计唯一ID的数量（即该小时的区域存量）
hourly_inventory = expanded_df.groupby('Covered_Hours')['ID'].nunique().reset_index(name='Inventory')

# 可选：把小时序号转换成具体的日期时间，更直观
hourly_inventory['Datetime'] = pd.to_datetime('2000-01-01') + pd.to_timedelta(hourly_inventory['Covered_Hours'], unit='h')

这样得到的hourly_inventory就是独立的统计数据集，而原数据集df也保留了所有扩展信息。

方式二：直接生成独立统计数据集 #

如果不需要在原数据集上保留太多扩展信息，可以直接生成所有需要统计的小时区间，逐个计算每个小时的存量。

# 确定需要统计的小时范围：从最早进入小时到最晚离开小时
min_hour = df['Arrival_Hour'].min()
max_hour = df['Exit_Hour'].max()
hours_range = pd.DataFrame({'Covered_Hours': range(min_hour, max_hour + 1)})

# 定义函数：计算单个小时内的区域存量
def count_inventory(hour):
    hour_start = hour * 3600
    hour_end = (hour + 1) * 3600
    # 只要用户进入时间早于小时结束，且离开时间晚于小时开始，就属于该小时的存量
    return len(df[(df['Arrival (sec)'] < hour_end) & (df['Exit (sec)'] > hour_start)])

# 应用函数到每个小时
hours_range['Inventory'] = hours_range['Covered_Hours'].apply(count_inventory)

# 同样可以转换为直观的日期时间
hours_range['Datetime'] = pd.to_datetime('2000-01-01') + pd.to_timedelta(hours_range['Covered_Hours'], unit='h')

结果说明 #

两种方式得到的统计结果是一致的，针对你的数据集，统计出来的部分结果大概是这样：

Covered_Hours Inventory Datetime
41 2 2000-01-02 17:00:00
42 4 2000-01-02 18:00:00
43 3 2000-01-02 19:00:00
44 1 2000-01-02 20:00:00

这里的逻辑是：统计每个小时时间段内，任何时刻处于区域内的用户数量，只要用户的停留时间和该小时有重叠，就会被计入。

内容的提问来源于stack exchange，提问作者Christian R. Houen