Wie finde ich 5 Minuten Lücken in einem Pandas Datenrahmen?

Question

Ich habe Pandas Datenrahmen, die in etwa so aussieht:

     TIMESTAMP EVENT_COUNT 
0   2014-07-23 04:28:23   1 
1   2014-07-23 04:28:24   1 
2 2014-07-23 04:28:25.999000   4 
3   2014-07-23 04:28:27   1 
4 2014-07-23 04:28:28.999000   2 
5   2014-07-23 04:28:30   1 
6   2014-07-23 04:29:31   7 
7   2014-07-23 04:29:33   1 
8   2014-07-23 04:29:34   1 
9   2014-07-23 04:29:36   1 
10   2014-07-23 04:40:37   2 
11   2014-07-23 04:40:39   1 
12   2014-07-23 04:40:40   1 
13   2014-07-23 04:40:42   1 
14   2014-07-23 04:40:43   1 
15 2014-07-23 04:40:44.999000   4 
16   2014-07-23 04:41:46   1 
17   2014-07-23 04:41:47   1 
18   2014-07-23 04:41:49   1 
19   2014-07-23 04:41:50   1 
20   2014-07-23 04:50:52   9 
21   2014-07-23 04:50:53   4 
22   2014-07-23 04:50:55   6 
23   2014-07-27 01:12:13   1 

Mein Endziel zu können, ist es, Lücken in diesen finden, die 5 Minuten nicht überschreiten. Also, von oben, würde ich eine Lücke zwischen finden:

2014-07-23 04:29:36 and 2014-07-23 04:40:37 
2014-07-23 04:41:50 and 2014-07-23 04:50:52 
2014-07-23 04:50:55 and 2014-07-27 01:12:13 

Lücken von weniger als 5 Minuten müssen nicht identifiziert werden. So würde das Folgende nicht als "Lücke" erkannt werden.

2014-07-23 04:28:30 and 2014-07-23 04:29:31 (Only 61 seconds) 
2014-07-23 04:40:37 and 2014-07-23 04:40:39 (Only 2 seconds) 
2014-07-23 04:40:44.999000 and 2014-07-23 04:41:46 (Just over 61 seconds) 

Wie kann ich die oben genannten Lücken finden? Als ich die in dieser answer erwähnte Lösung versuchte, scheint sich nichts geändert zu haben. Ich habe den folgenden Befehl verwendet:

df.reindex(pd.date_range(min(df['TIMESTAMP']), max(df['TIMESTAMP']), freq='5min')).fillna(0) 

Das Datenframe sieht gleich aus, nachdem dieser Befehl ausgeführt wird.

Answer 1

IIUC, solange die dtype sind datetime64 bereits dann können Sie nur diff verwenden, die eine Timedelta schaffen und rufen Sie dann das Attribut dt.seconds:

In [8]: 
df['OVER 5 MINS'] = (df['TIMESTAMP'].diff()).dt.seconds > 300 
df 

Out[8]: 
        TIMESTAMP EVENT_COUNT OVER 5 MINS 
INDEX             
0  2014-07-23 04:28:23.000   1  False 
1  2014-07-23 04:28:24.000   1  False 
2  2014-07-23 04:28:25.999   4  False 
3  2014-07-23 04:28:27.000   1  False 
4  2014-07-23 04:28:28.999   2  False 
5  2014-07-23 04:28:30.000   1  False 
6  2014-07-23 04:29:31.000   7  False 
7  2014-07-23 04:29:33.000   1  False 
8  2014-07-23 04:29:34.000   1  False 
9  2014-07-23 04:29:36.000   1  False 
10 2014-07-23 04:40:37.000   2  True 
11 2014-07-23 04:40:39.000   1  False 
12 2014-07-23 04:40:40.000   1  False 
13 2014-07-23 04:40:42.000   1  False 
14 2014-07-23 04:40:43.000   1  False 
15 2014-07-23 04:40:44.999   4  False 
16 2014-07-23 04:41:46.000   1  False 
17 2014-07-23 04:41:47.000   1  False 
18 2014-07-23 04:41:49.000   1  False 
19 2014-07-23 04:41:50.000   1  False 
20 2014-07-23 04:50:52.000   9  True 
21 2014-07-23 04:50:53.000   4  False 
22 2014-07-23 04:50:55.000   6  False 
23 2014-07-27 01:12:13.000   1  True