使用Pandas选择、切片及聚合时序数据的问题求助

没问题，这在点击预测的特征工程里是非常关键的一步——通过时间窗口聚合IP的过往行为，能有效捕捉用户的点击模式。我帮你一步步实现，结合你的样本数据来讲解：

第一步：预处理时序数据 #

首先得确保时间字段是可处理的datetime类型，并且数据按IP和时间排序（这对窗口聚合至关重要）：

import pandas as pd

# 你的样本数据
data = {
    'index': [0, 1, 2, 3, 4],
    'ip': [29540, 26777, 140926, 69375, 119166],
    'app': [3, 11, 12, 2, 9],
    'dev': [1, 1, 1, 1, 2],
    'os': [42, 25, 13, 19, 15],
    'channel': [489, 319, 140, 377, 445],
    'click_time': ['2017-11-08 03:57:46', '2017-11-09 11:02:14', '2017-11-07 04:36:14', '2017-11-09 13:17:20', '2017-11-07 12:11:37']
}
df = pd.DataFrame(data)

# 转换时间字段为datetime类型
df['click_time'] = pd.to_datetime(df['click_time'])

# 按IP和点击时间排序，保证每个IP的行为按时间顺序排列
df = df.sort_values(by=['ip', 'click_time'])

第二步：构建时间窗口聚合特征 #

核心思路是按IP分组，然后对每个分组使用**时间滚动窗口（rolling）**来聚合过往行为。这里分两种常见场景：

场景1：统计固定时长窗口内的过往点击次数 #

比如统计每个IP在当前点击前24小时内的总点击数（排除当前点击，只算过往行为）：

# 按IP分组，滚动窗口设为24小时，统计点击次数，然后shift(1)排除当前点击
df['ip_24h_past_clicks'] = df.groupby('ip')['click_time'].rolling('24H').count().shift(1).reset_index(level=0, drop=True)

# 填充首次点击的NaN值（首次点击没有过往行为，所以设为0）
df['ip_24h_past_clicks'] = df['ip_24h_past_clicks'].fillna(0).astype(int)

场景2：扩展其他时序特征 #

除了点击次数，你还可以聚合其他维度的行为，比如：

• 过去1小时内的唯一App数量
• 过去7天内的平均点击间隔

示例代码：

# 过去1小时内的唯一App数量（排除当前点击）
df['ip_1h_unique_apps'] = df.groupby('ip')['app'].rolling('1H').nunique().shift(1).reset_index(level=0, drop=True).fillna(0).astype(int)

# 过去3天内的点击时间间隔均值（需要先计算相邻点击的时间差）
# 先计算每个IP的相邻点击间隔
df['time_since_last_click'] = df.groupby('ip')['click_time'].diff().dt.total_seconds()
# 再滚动窗口统计均值
df['ip_3d_avg_interval'] = df.groupby('ip')['time_since_last_click'].rolling('3D').mean().shift(1).reset_index(level=0, drop=True).fillna(0)

关键注意事项 #

• 窗口边界：rolling('24H')表示从当前时间往前推24小时的窗口，shift(1)是为了排除当前点击（如果不需要排除，可以去掉shift）
• 性能优化：如果数据量极大（千万级以上），可以考虑用pd.Grouper按时间分桶后再聚合，或者使用Dask等分布式工具
• 时间粒度：可以根据业务需求调整窗口大小，比如'1H'（1小时）、'7D'（7天）等，支持的时间偏移量可参考Pandas内置的时间频率规则

用你的样本数据运行后，结果会类似这样（以ip_24h_past_clicks为例）：

因为你的样本里每个IP都只有1次点击，所以所有值都是0；如果同一个IP有多次点击且在24小时窗口内，就会显示对应的次数。

内容的提问来源于stack exchange，提问作者Propanon