使用Pandas高效统计多列日期数据在指定范围内的行数-Python教程-PHP中文网

使用Pandas高效统计多列日期数据在指定范围内的行数

DDD

发布： 2025-12-05 13:03:19

原创

650人浏览过

使用pandas高效统计多列日期数据在指定范围内的行数

本教程旨在解决如何高效、准确地统计Pandas DataFrame中多列日期数据在特定时间范围内的行数，这在分析多阶段流程数据时尤为常见。文章将深入探讨常见的错误做法及其原因，并提供一个基于Pandas向量化操作的优化解决方案，以实现精准的日期范围筛选和计数，最终构建出适用于漏斗分析等场景的汇总表格。

背景与问题描述

在业务流程分析中，我们经常会遇到跟踪一个记录（例如客户、订单）在不同阶段进入时间的需求。数据通常以DataFrame的形式存储，其中每一列代表一个流程阶段，每个单元格记录了该记录进入该阶段的日期。我们的目标是统计在给定日期范围内，每个阶段有多少条记录的日期落入此范围，以便进行漏斗分析，比较不同阶段的转化或流失情况。

例如，给定以下DataFrame，它展示了三条记录在三个阶段的进入日期：

	stage 1	stage 2	stage 3
row 1	1/3/2023	4/3/2023	5/7/2023
row 2	2/5/2023	2/6/2023	3/4/2023
row 3	1/15/2023	6/3/2023	7/8/2023

我们希望得到一个汇总表，显示不同日期范围内每个阶段的计数，例如：

	stage 1	stage 2	stage 3
1/1/2023 - 4/1/2023	2	1	1
4/1/2023 - 7/1/2023	0	2	1
7/1/2023 - 10/1/2023	0	1	1

常见误区与低效方法

初学者在处理这类问题时，常会尝试使用any(axis=1)结合日期范围筛选。例如：

import pandas as pd

# 示例数据
data = {
    'stage 1': ['1/3/2023', '2/5/2023', '1/15/2023'],
    'stage 2': ['4/3/2023', '2/6/2023', '6/3/2023'],
    'stage 3': ['5/7/2023', '3/4/2023', '7/8/2023']
}
df = pd.DataFrame(data, index=[f'row {i+1}' for i in range(3)])
df = df.apply(pd.to_datetime) # 确保日期格式正确

start = pd.to_datetime('2023-1-1')
end = pd.to_datetime('2023-3-30')
stage_cols = ['stage 1', 'stage 2', 'stage 3']

# 错误示例
# (df[stage_cols] >= start).any(axis=1) 会检查任何列是否大于等于start
# (df[stage_cols] <= end).any(axis=1) 会检查任何列是否小于等于end
# 这种方法会错误地将满足任一条件的行全部纳入计数
filtered_df_incorrect = df[(df[stage_cols] >= start).any(axis=1) & (df[stage_cols] <= end).any(axis=1)]
print("错误筛选结果的行数:\n", filtered_df_incorrect.shape[0])
# 这种筛选方式可能导致行3被计数，即使其stage 2和stage 3的日期超出了范围，
# 因为stage 1的日期满足条件，且stage 2的日期可能满足另一个条件。
# 并且，最终我们想要的是每个阶段的独立计数，而不是基于行的整体筛选。

登录后复制

这种方法的问题在于，它首先在行级别进行聚合（any(axis=1)），然后才进行逻辑与操作。这意味着只要一行中的任何一个阶段日期满足起始条件，且任何一个阶段日期满足结束条件，该行就会被选中。这无法实现对每个阶段日期进行独立的范围检查和计数。例如，对于row 3，stage 1的日期在范围内，但stage 2和stage 3的日期不在范围内。如果使用上述逻辑，row 3仍可能被错误地包含在计数中。

此外，用户可能会编写一个循环函数来逐个日期范围、逐列地进行计数，如问题中提到的funnel_by_time函数。虽然这种方法能够得到正确结果，但由于使用了Python循环，在大规模数据集上性能会比较低下，不符合Pandas的向量化操作最佳实践。

优化方案：向量化日期范围筛选与计数

Pandas提供了强大的向量化操作能力，可以高效地处理这类问题。核心思想是：先对DataFrame中的每个日期进行独立的范围检查，生成布尔矩阵，然后对该布尔矩阵按列求和。

步骤1：确保日期列为datetime类型

这是进行日期比较的前提。

import pandas as pd

data = {
    'stage 1': ['1/3/2023', '2/5/2023', '1/15/2023'],
    'stage 2': ['4/3/2023', '2/6/2023', '6/3/2023'],
    'stage 3': ['5/7/2023', '3/4/2023', '7/8/2023']
}
df = pd.DataFrame(data, index=[f'row {i+1}' for i in range(3)])

# 将所有日期列转换为datetime对象
tmp_df = df.apply(pd.to_datetime)
print("转换后的DataFrame (tmp_df):\n", tmp_df)

登录后复制

输出：

转换后的DataFrame (tmp_df):
             stage 1    stage 2    stage 3
row 1 2023-01-03 00:00:00 2023-04-03 00:00:00 2023-05-07 00:00:00
row 2 2023-02-05 00:00:00 2023-02-06 00:00:00 2023-03-04 00:00:00
row 3 2023-01-15 00:00:00 2023-06-03 00:00:00 2023-07-08 00:00:00

登录后复制

步骤2：定义日期范围并进行元素级比较

畅图

AI可视化工具

179

查看详情

定义起始日期和结束日期，然后使用Pandas的ge()（大于等于）和le()（小于等于）方法进行元素级的布尔比较。

start_date = pd.to_datetime('2023-1-1')
end_date = pd.to_datetime('2023-3-30')

# 检查每个日期是否大于等于起始日期
ge_mask = tmp_df.ge(start_date)
print("\n大于等于起始日期的布尔矩阵 (ge_mask):\n", ge_mask)

# 检查每个日期是否小于等于结束日期
le_mask = tmp_df.le(end_date)
print("\n小于等于结束日期的布尔矩阵 (le_mask):\n", le_mask)

登录后复制

输出：

大于等于起始日期的布尔矩阵 (ge_mask):
       stage 1  stage 2  stage 3
row 1     True     True     True
row 2     True     True     True
row 3     True     True     True

小于等于结束日期的布尔矩阵 (le_mask):
       stage 1  stage 2  stage 3
row 1     True    False    False
row 2     True     True     True
row 3     True    False    False

登录后复制

步骤3：结合布尔矩阵并按列求和

将两个布尔矩阵通过逻辑与操作符&结合，生成最终的布尔矩阵，其中True表示该日期在该范围内。然后，对这个最终的布尔矩阵按列求和，即可得到每个阶段在指定日期范围内的计数。

# 结合两个布尔矩阵
final_mask = ge_mask & le_mask
print("\n最终布尔矩阵 (final_mask):\n", final_mask)

# 按列求和得到每个阶段的计数
counts = final_mask.sum()
print("\n单个日期范围内的计数结果:\n", counts)

登录后复制

输出：

最终布尔矩阵 (final_mask):
       stage 1  stage 2  stage 3
row 1     True    False    False
row 2     True     True     True
row 3     True    False    False

单个日期范围内的计数结果:
 stage 1    3
stage 2    1
stage 3    1
dtype: int64

登录后复制

通过这种方法，我们可以看到stage 1有3个日期在范围内，stage 2有1个，stage 3有1个。这与预期结果一致。

构建多日期范围的汇总表

为了生成漏斗分析所需的汇总表，我们需要对多个日期范围重复上述过程，并将结果收集到一个新的DataFrame中。

import pandas as pd

# 原始数据
data = {
    'stage 1': ['1/3/2023', '2/5/2023', '1/15/2023'],
    'stage 2': ['4/3/2023', '2/6/2023', '6/3/2023'],
    'stage 3': ['5/7/2023', '3/4/2023', '7/8/2023']
}
df = pd.DataFrame(data, index=[f'row {i+1}' for i in range(3)])
tmp_df = df.apply(pd.to_datetime) # 确保日期格式正确

# 定义日期范围列表
date_ranges = [
    (pd.to_datetime('2023-1-1'), pd.to_datetime('2023-4-1')),
    (pd.to_datetime('2023-4-1'), pd.to_datetime('2023-7-1')),
    (pd.to_datetime('2023-7-1'), pd.to_datetime('2023-10-1'))
]

results = {}
for start_date, end_date in date_ranges:
    # 执行向量化筛选和计数
    ge_mask = tmp_df.ge(start_date)
    le_mask = tmp_df.lt(end_date) # 注意：这里使用lt (<) 而不是 le (<=)，以确保区间不重叠且符合常规统计习惯
                                  # 如果包含结束日期，则使用le
    final_mask = ge_mask & le_mask
    counts = final_mask.sum()

    range_label = f"{start_date.strftime('%m/%d/%Y')} - {end_date.strftime('%m/%d/%Y')}"
    results[range_label] = counts.tolist() # 将Series转换为列表

# 构建最终的汇总DataFrame
output_df = pd.DataFrame.from_dict(results, orient='index', columns=tmp_df.columns)
print("\n最终漏斗分析汇总表:\n", output_df)

登录后复制

输出：

最终漏斗分析汇总表:
                        stage 1  stage 2  stage 3
01/01/2023 - 04/01/2023        2        1        1
04/01/2023 - 07/01/2023        0        2        1
07/01/2023 - 10/01/2023        0        1        1

登录后复制

请注意，在定义日期范围时，通常会使用半开区间[start, end)，即包含起始日期但不包含结束日期，以避免区间重叠导致重复计数。因此，在上述代码中，我们将le_mask = tmp_df.le(end_date)改为了le_mask = tmp_df.lt(end_date)。如果业务需求是包含结束日期，则应使用le()。

注意事项与最佳实践

数据类型统一： 始终确保DataFrame中的日期列已经正确转换为Pandas的datetime类型。否则，比较操作将无法正确执行。
向量化操作： 尽可能利用Pandas的向量化操作（如apply、ge、le、sum等），避免使用Python原生的循环，以获得最佳性能。
区间定义： 明确日期范围是闭区间[start, end]、开区间(start, end)还是半开区间[start, end)，并相应地选择ge/gt和le/lt进行比较。
可读性： 将复杂的逻辑分解为几个清晰的步骤（如生成布尔掩码、组合掩码、求和），可以提高代码的可读性和可维护性。
后续分析： 生成的汇总表可以直接用于可视化，例如绘制漏斗图，直观展示不同阶段的转化率。