需求：

对指定两个状态作为一个周期，并计算出周期内的差值，写到周期结束所在的行上。pandas 非常适合实现此类有着较为复杂逻辑的问题。

思路：

• 这个问题的难点是状态的不规律性，如何才能准确找出所有 T 和 C 的周期。
• 我们可以先将状态 T 和 C 筛选出来，然后剔除连续的 T 或者 C 中的无效的内容，最终形成一个规范的 T-C 列表。
• 在规范的列表中求位差，最终保留 C 位置的值并增加 Delta 列。

使用步骤：

1.引入库

代码如下（示例）：

import pandas as pd

2.读入数据

代码如下（示例）：

df=pd.DataFrame(columns=['Status','t'])

df['Status']=['A','T', 'A','C','C','A','T','T','C','A']
df['t']= pd.to_datetime(['2021-06-12 08:39:24.813000',
'2021-06-12 08:39:24.820000',
'2021-06-12 08:39:25.210000',
'2021-06-12 08:39:25.217000',
'2021-06-12 08:44:28.830000',
'2021-06-12 10:48:10.293000',
'2021-06-12 10:48:10.300000',
'2021-06-12 10:48:10.680000',
'2021-06-12 10:48:10.693000',
'2021-06-12 10:48:11.223000'])

df
# 其中，状态列我们关注的是状态 T 和 C，T 表示机器触发开始运行，C 表示出现故障。需求期望增加 Delta 列来计算显示 T（触发）和 C（结束）状态之间的时间差，并将这个时间差显示在 C 对应的列上。
# 需要注意的是，状态 C 之后不经过 T 还可能出现状态 C，我们视 T 之后到第一个 C 之间为一个正常运行周期。

#增加两个辅助列，是不当前行的当是 T 下行是 C，是否当前行是 C 上行是 T：
(
    df.loc[df.Status.isin(['T', 'C'])]
    .assign(nxt_C=lambda x: (x.Status == 'T') | (x.Status.shift() == 'C'))
    .assign(pre_T=lambda x: (x.Status == 'C') | (x.Status.shift(-1) == 'T'))
)

#我们筛除两个辅助列分别为 True 之外的数据：
(
    df.loc[df.Status.isin(['T', 'C'])]
    .assign(nxt_C=lambda x: (x.Status == 'T') | (x.Status.shift() == 'C'))
    .assign(pre_T=lambda x: (x.Status == 'C') | (x.Status.shift(-1) == 'T'))
    .loc[lambda x: ~((x.nxt_C==True) & (x.pre_T==True))]
)

#最后求时间列的位差：
temp = (
    df.loc[df.Status.isin(['T', 'C'])]
    .assign(nxt_C=lambda x: (x.Status == 'T') | (x.Status.shift() == 'C'))
    .assign(pre_T=lambda x: (x.Status == 'C') | (x.Status.shift(-1) == 'T'))
    .loc[lambda x: ~((x.nxt_C== True) & (x.pre_T==True))]
    .assign(Delta=lambda x: x.t - x.t.shift())
)
temp
# 这样就得到的数据状态 C 对应的 Delta 值就是我们要的数据。

#接下来，将这些数据写入原 df，我们采用了迭代的方式：
for index, row in temp.query('Status=="C"').iterrows():
    df.loc[index, 'Delta'] = row.Delta
df

总结

以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。