finden Sie das am häufigsten vorkommende Datumsintervall aus einer Reihe von unterschiedlichen Datumsintervallen in Python

Question

Ich habe eine CSV-Datei mit einer Spalte, die unterschiedliche Datumsbereiche für eine Million Datensätze hat. Zum Beispiel habe ich etwas in der Art: 2004-2016; 1980-2016; 1991-2006; 2000-2012; 1998 - 2011

Wenn ich herausfinden möchte, welche 3, 5 oder 7 Jahre in all diesen Datensätzen am häufigsten vorkommen, wie soll ich das in Python machen? Es spielt keine Rolle, ob einige Datensätze gelöscht werden, aber ich versuche herauszufinden, welche Häufigkeit von 7 Jahren oder eine Häufigkeit von 10 Jahren für alle Bereiche am häufigsten ist. Kann jemand helfen?

Answer 1

• Parse-Datei; Erhalten Sie 2-Element-Tupel: ((2004, 2016), (1980-2016), ...).
• Transform es zu Unterschieden: (12, 36, ...).
• Erstellen Sie Counter Objekt mit dieser Sequence und rufen Sie most_common Methode.

Answer 2

Teilen Sie Ihre Sequenz in einzelne Bereiche auf. Angenommen, Sie rufen das resultierende Sequenz-Diff auf.

from collections import Counter 

diff = ["2004-2016", "1980-2016", "1991-2006", "2000-2012", "1998 - 2011"] 

diff_frequency = Counter(map(lambda x: abs(eval(x)), diff)).most_common() 

most_common_diff = diff_frequency[0] 

Answer 3

können Sie eine collections.defaultdict von collections.Counter verwenden, um dies zu handhaben. Die defaultdict wird der Gruppe die Datumsbereiche durch die Anzahl von Jahren verwendet, und die Counter verfolgt die Spuren der Grafen von Bereich Strings für die Anzahl der Jahre:

from collections import defaultdict, Counter 

year_ranges = defaultdict(Counter) 

s = '2004-2016; 1980-2016; 1991-2006; 2000-2012; 1998 - 2011; 2004-2016' 
for start, end in [r.split('-') for r in s.split('; ')]: 
    start, end = int(start), int(end) 
    year_ranges[end-start].update(['{}-{}'.format(start, end)]) # update counter for normalised range string 

>>> print(year_ranges) 
defaultdict(<class 'collections.Counter'>, {36: Counter({'1980-2016': 1}), 12: Counter({'2004-2016': 1, '2000-2012': 1}), 13: Counter({'1998-2011': 1}), 15: Counter({'1991-2006': 1})}) 

Wenn Sie die häufigste Bereich Zeichenfolge wissen wollen mit Jahr Bereich von 12:

>>> year_ranges[12].most_common(1) 
[('2004-2016', 2)] 

nicht sicher, wie Sie Fälle behandeln wollen, wo es mehrere Bereich Strings sind im selben Jahr Bereich mit gleichwertigen Zählungen darstellt.