Python: Erstellen Sie eine neue Spalte Datum aus einer vorhandenen Spalte Datum durch Subtraktion aufeinanderfolgenden Reihen

Question

Code:

import pandas as pd 
df = pd.read_csv('xyz.csv', usecols=['transaction_date', 'amount']) 
df=pd.concat(g for _, g in df.groupby("amount") if len(g) > 3) 
df=df.reset_index(drop=True) 
print(df) 

Ausgang:

transaction_date amount 
0   2016-06-02  50.0 
1   2016-06-02  50.0 
2   2016-06-02  50.0 
3   2016-06-02  50.0 
4   2016-06-02  50.0 
5   2016-06-02  50.0 
6   2016-07-04  50.0 
7   2016-07-04  50.0 
8   2016-09-29  225.0 
9   2016-10-29  225.0 
10  2016-11-29  225.0 
11  2016-12-30  225.0 
12  2017-01-30  225.0 
13  2016-05-16 1000.0 
14  2016-05-20 1000.0 

Ich brauche eine andere Spalte neben hinzufügen zu der Betragsspalte, die den Unterschied zwischen entsprechenden Zeilen des Transaktionsdatums z

 transaction_date amount delta(days) 
0   2016-06-02  50.0  - 
1   2016-06-02  50.0  0 
2   2016-06-02  50.0  0 
3   2016-06-02  50.0  0 
4   2016-06-02  50.0  0 
5   2016-06-02  50.0  0 
6   2016-07-04  50.0 32 
7   2016-07-04  50.0 . 
8   2016-09-29  225.0 . 
9   2016-10-29  225.0 . 
10  2016-11-29  225.0 

Answer 1

es sind wahrscheinlich einige bessere Methoden, aber Sie können pandas.Series.shift verwenden:

>>> df.transaction_date.shift(-1) - df.transaction_date 
0  0 days 
1  0 days 
2  0 days 
3  0 days 
4  0 days 
5  32 days 
6  0 days 
7  87 days 
8  30 days 
9  31 days 
10  31 days 
11  31 days 
12 -259 days 
13  4 days 
14   NaT 

Answer 2

Ich glaube, Sie brauchen diff + dt.days:

df['delta(days)'] = df['transaction_date'].diff().dt.days 
print (df) 
    transaction_date amount delta(days) 
0  2016-06-02 50.0   NaN 
1  2016-06-02 50.0   0.0 
2  2016-06-02 50.0   0.0 
3  2016-06-02 50.0   0.0 
4  2016-06-02 50.0   0.0 
5  2016-06-02 50.0   0.0 
6  2016-07-04 50.0   32.0 
7  2016-07-04 50.0   0.0 
8  2016-09-29 225.0   87.0 
9  2016-10-29 225.0   30.0 
10  2016-11-29 225.0   31.0 
11  2016-12-30 225.0   31.0 
12  2017-01-30 225.0   31.0 
13  2016-05-16 1000.0  -259.0 
14  2016-05-20 1000.0   4.0 

Aber wenn Notwendigkeit, sie durch Gruppen zählen add groupby:

df['delta(days)'] = df.groupby('amount')['transaction_date'].diff().dt.days 
print (df) 
    transaction_date amount delta(days) 
0  2016-06-02 50.0   NaN 
1  2016-06-02 50.0   0.0 
2  2016-06-02 50.0   0.0 
3  2016-06-02 50.0   0.0 
4  2016-06-02 50.0   0.0 
5  2016-06-02 50.0   0.0 
6  2016-07-04 50.0   32.0 
7  2016-07-04 50.0   0.0 
8  2016-09-29 225.0   NaN 
9  2016-10-29 225.0   30.0 
10  2016-11-29 225.0   31.0 
11  2016-12-30 225.0   31.0 
12  2017-01-30 225.0   31.0 
13  2016-05-16 1000.0   NaN 
14  2016-05-20 1000.0   4.0 

Answer 3

Um genaue Ausgabe, die Sie haben angefordert (Sortierung optional) verwenden shift zu lösen für timedelta verwenden dt.days finden int zu erhalten:

df.transaction_date = pd.to_datetime(df.transaction_date) 
df.sort_values('transaction_date', inplace=True) 
df['delta(days)'] = (df['transaction_date'] - df['transaction_date'].shift(1)).dt.days 

Ausgang:

transaction_date amount delta(days) 
13  2016-05-16 1000.0   NaN 
14  2016-05-20 1000.0   4.0 
0  2016-06-02 50.0   13.0 
1  2016-06-02 50.0   0.0 
2  2016-06-02 50.0   0.0 
3  2016-06-02 50.0   0.0 
4  2016-06-02 50.0   0.0 
5  2016-06-02 50.0   0.0 
6  2016-07-04 50.0   32.0 
7  2016-07-04 50.0   0.0 
8  2016-09-29 225.0   87.0 
9  2016-10-29 225.0   30.0 
10  2016-11-29 225.0   31.0 
11  2016-12-30 225.0   31.0 
12  2017-01-30 225.0   31.0