Python 如何使用Polar计算Pandas DataFrame中每个ID的行间时间

当然!以下是您的堆栈溢出问题的草稿，其中包含正确的代码格式:

标题:如何使用Polars计算Pandas DataFrame中每个ID的会话之间的时间？

问题:

我正在做一个任务，我有一个Pandas DataFrame，使用Python中的Polars库，包含'ID'和'Timestamp'列.每一行表示由"时间戳"标识的会话的结束.我正在try 创建一个名为"time_since_last_session"的新列，该列应包含每个唯一"ID"的会话之间的持续时间.

我已经能够使用以下代码计算特定过滤的‘ID’的会话之间的时间差:

import polars as pl

# DataFrame: sessions_features
# Columns: 'ID', 'Timestamp'

filtered_id = "BBIISSIOTNIFSIDYIUSA"
time_diff = sessions_features.filter(pl.col("ID") == filtered_id)["Timestamp"].diff().dt.seconds()

但是，我很难使用GROUP_BY()操作或类似操作为DataFrame中的每个‘ID’执行此计算.我曾try 使用map_group()，但没有成功.

有没有人可以指导我如何使用POLAR有效地对每个‘ID’执行这个操作？最小的可重现性示例如下:

import polars as pl
import pandas as pd

# Creating a sample DataFrame
data = {
    'ID': ['A', 'A', 'A', 'B', 'B', 'B'],
    'Timestamp': ['2023-01-01 10:00:00', '2023-01-01 10:30:00' ,'2023-01-01 11:00:00', '2023-01-01 12:00:00', '2023-01-01 12:30:00', '2023-01-01 13:00:00']
}

df = pd.DataFrame(data)

# Converting to Polars DataFrame
sessions_features = pl.from_pandas(df)

sessions_features = sessions_features.with_columns(
   pl.col("Timestamp").str.to_datetime()
)

print(sessions_features.filter(pl.col("ID") == "A")["Timestamp"].diff().dt.seconds())

此示例创建一个示例DataFrame，并计算特定ID的会话之间的时间差.然而，我们的目标是使用极点有效地为DataFrame中的每个唯一"ID"执行此计算.如有任何帮助或见解，将不胜感激！

在最小示例中，最终DF的预期结果为:

┌─────┬─────────────────────┬───────────────────────┐
│ ID  ┆ Timestamp           ┆ time_between_sessions │
│ --- ┆ ---                 ┆ ---                   │
│ str ┆ datetime[μs]        ┆ i64                   │
╞═════╪═════════════════════╪═══════════════════════╡
│ A   ┆ 2023-01-01 10:00:00 ┆ 0                     │
│ A   ┆ 2023-01-01 10:30:00 ┆ 1800                  │
│ A   ┆ 2023-01-01 11:00:00 ┆ 1800                  │
│ B   ┆ 2023-01-01 12:00:00 ┆ 0                     │
│ B   ┆ 2023-01-01 12:30:00 ┆ 1800                  │
│ B   ┆ 2023-01-01 13:00:00 ┆ 1800                  │
└─────┴─────────────────────┴───────────────────────┘