使用定制距离函数从Pandas Dataframe创建距离矩阵

问题描述

我有一个熊猫数据框，其中有两列，分别是“ id”（唯一标识符）和“ date”，如下所示：

test_df.head()

    id  date
0   N1  2020-01-31
1   N2  2020-02-28
2   N3  2020-03-10

我创建了一个自定义Python函数，该函数给定了两个日期字符串，将计算这些日期之间的绝对天数（具有给定的日期格式字符串，例如％Y-％m-％d），如下所示：>

def days_distance(date_1,date_1_format,date_2,date_2_format):
    """Calculate the number of days between two given string dates

    Args:
        date_1 (str): First date
        date_1_format (str): The format of the first date
        date_2 (str): Second date
        date_2_format (str): The format of the second date

    Returns:
        The absolute number of days between date1 and date2
    """

    date1 = datetime.strptime(date_1,date_1_format)
    date2 = datetime.strptime(date_2,date_2_format)
    return abs((date2 - date1).days)

我想创建一个距离矩阵，对于所有ID对，该矩阵将计算这些ID之间的天数。使用上面的test_df示例，最终时间距离矩阵应如下所示：

    N1    N2    N3
N1  0     28    39
N2  28    0     11
N3  39    11    0

与SciPy提供的标准距离度量相反，我正在努力寻找一种使用定制距离函数（例如上面的days_distance()函数）来计算距离矩阵的方法。

有什么建议吗？

解决方法

让我们尝试pdist + squareform创建一个表示日期时间对象之间的成对差异的平方距离矩阵，最后根据该平方矩阵创建一个新的数据框：

from scipy.spatial.distance import pdist,squareform

i,d = test_df['id'].values,pd.to_datetime(test_df['date'])
df = pd.DataFrame(squareform(pdist(d[:,None])),dtype='timedelta64[ns]',index=i,columns=i)

或者，您也可以使用numpy广播来计算距离矩阵：

i,pd.to_datetime(test_df['date']).values 
df = pd.DataFrame(np.abs(d[:,None] - d),columns=i)

---

        N1      N2      N3
N1  0 days 28 days 39 days
N2 28 days  0 days 11 days
N3 39 days 11 days  0 days

,

您可以将日期列转换为日期时间格式。然后从该列创建numpy数组。然后创建一个矩阵，该数组重复3次。然后减去其转置矩阵。然后将结果转换为数据框

import pandas as pd
import numpy as np
from datetime import datetime

test_df = pd.DataFrame({'ID': ['N1','N2','N3'],'date': ['2020-01-31','2020-02-28','2020-03-10']})
test_df['date_datetime'] = test_df.date.apply(lambda x : datetime.strptime(x,'%Y-%m-%d'))

date_array = np.array(test_df.date_datetime)

date_matrix = np.tile(date_array,(3,1))
date_diff_matrix = np.abs((date_matrix.T - date_matrix))

date_diff = pd.DataFrame(date_diff_matrix)
date_diff.columns = test_df.ID
date_diff.index = test_df.ID

>>> ID  N1      N2       N3
    ID          
    N1  0 days  28 days 39 days
    N2  28 days 0 days  11 days
    N3  39 days 11 days 0 days