注意:除了 mega join 然后计算日期之间的差异之外，寻求一些有效方法的帮助

我有包含国家 ID 和日期的 table1(这些值没有重复项)，我想总结 table2 信息(包含国家、日期、cluster_x 和count 变量，其中 cluster_x 是 cluster_1、cluster_2、cluster_3)，以便 table1 已将集群 ID 的每个值和来自 table2 的汇总计数附加到它，其中 date from table2 发生在 table1 中的日期之前 30 天内。

我相信这在 SQL 中很简单:How to do this in Pandas?

select a.date,a.country, 
sum(case when a.date - b.date between  1 and 30 then b.cluster_1 else 0 end) as cluster1,
sum(case when a.date - b.date between  1 and 30 then b.cluster_2 else 0 end) as cluster2,
sum(case when a.date - b.date between  1 and 30 then b.cluster_3 else 0 end) as cluster3

from  table1 a
left outer join table2 b
on a.country=b.country

group by a.date,a.country

编辑:

这是一个稍作改动的示例。假设这是 table1，一个包含日期、城市、集群和计数的聚合数据集。下面是“查询”数据集(表 2)。在这种情况下，我们希望对 cluster1、cluster2、cluster3(实际上有 100 个)对应国家 ID 的 table1 中的计数字段求和，只要 table1 中的日期字段在 30 天之前。

因此，例如，查询数据集的第一行有日期 2/2/2015 和国家/地区 1。在表 1 中，只有一行在 30 天之前，并且是针对计数为 2 的集群 2。

这是 CSV 格式的两个表的转储:

date,country,cluster,count
2014-01-30,1,1,1
2015-02-03,1,1,3
2015-01-30,1,2,2
2015-04-15,1,2,5
2015-03-01,2,1,6
2015-07-01,2,2,4
2015-01-31,2,3,8
2015-01-21,2,1,2
2015-01-21,2,1,3

和表2:

date,country
2015-02-01,1
2015-04-21,1
2015-02-21,2

最佳答案

编辑:糟糕 - 希望我能在提交前看到关于加入的编辑。 Np，我会离开这个，因为它很有趣。欢迎批评。

其中 table1 和 table2 位于与此脚本“table1.csv”和“table2.csv”相同的目录中，这应该有效。

我用 30 天没有得到与您的示例相同的结果 - 不得不将其增加到 31 天，但我认为精神就在这里:

import pandas as pd
import numpy as np

table1_path = './table1.csv'
table2_path = './table2.csv'

with open(table1_path) as f:
    table1 = pd.read_csv(f)
table1.date = pd.to_datetime(table1.date)

with open(table2_path) as f:
    table2 = pd.read_csv(f)
table2.date = pd.to_datetime(table2.date)

joined = pd.merge(table2, table1, how='outer', on=['country'])

joined['datediff'] = joined.date_x - joined.date_y

filtered = joined[(joined.datediff >= np.timedelta64(1, 'D')) & (joined.datediff <= np.timedelta64(31, 'D'))]

gb_date_x = filtered.groupby(['date_x', 'country', 'cluster'])

summed = pd.DataFrame(gb_date_x['count'].sum())

result = summed.unstack()
result.reset_index(inplace=True)
result.fillna(0, inplace=True)

我的测试输出:

ipdb> table1
                 date  country  cluster  count
0 2014-01-30 00:00:00        1        1      1
1 2015-02-03 00:00:00        1        1      3
2 2015-01-30 00:00:00        1        2      2
3 2015-04-15 00:00:00        1        2      5
4 2015-03-01 00:00:00        2        1      6
5 2015-07-01 00:00:00        2        2      4
6 2015-01-31 00:00:00        2        3      8
7 2015-01-21 00:00:00        2        1      2
8 2015-01-21 00:00:00        2        1      3
ipdb> table2
                 date  country
0 2015-02-01 00:00:00        1
1 2015-04-21 00:00:00        1
2 2015-02-21 00:00:00        2

...

ipdb> result
                     date_x  country  count
cluster                                   1  2  3
0       2015-02-01 00:00:00        1      0  2  0
1       2015-02-21 00:00:00        2      5  0  8
2       2015-04-21 00:00:00        1      0  5  0

关于python - Pandas - 等效的 SQL case 语句，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/36723625/