Pandas 高效实现组内跨行时间戳匹配与布尔标记

本文介绍如何在大规模数据集（百万级行、每组15–25行）中，基于 application_id 分组，高效判断每行的 rejected_time 是否等于同组内任意其他行的 selected_time，并生成布尔标记列 user_rejects。 本文介绍如何在大规模数据集（百万级行、每组15–25行）中，基于 `application_id` 分组，高效判断每行的 `rejected_time` 是否等于**同组内任意其他行**的 `selected_time`，并生成布尔标记列 `user_rejects`。在真实业务场景（如信贷审批、招聘流程或订单履约系统）中，常需识别用户是否“先选后拒”——即某次拒绝操作的时间戳，恰好与同一申请（application_id）下另一次被选中的时间戳完全一致。该需求本质是组内跨行时间戳存在性匹配，而非简单自匹配（避免将本行 selected_time == rejected_time 误判），且对性能极为敏感（数据量达百万级，字段超百个）。核心思路是：对每个 application_id 组，提取该组所有非空 selected_time 值构成集合，再逐行检查其 rejected_time 是否落在此集合中。关键在于避免显式循环或 apply 中嵌套遍历，而是利用向量化 isin() 实现 O(1) 查找。以下是完整、可直接运行的解决方案：import pandas as pdimport numpy as np# 确保时间列正确解析为 datetime64[ns]，自动处理空值/非法格式time_cols = ['selected_time', 'rejected_time']df[time_cols] = df[time_cols].apply(pd.to_datetime, errors='coerce')# 定义组内匹配逻辑：当前组的 rejected_time 是否存在于本组非空 selected_time 中def mark_user_rejects(group): # 提取本组所有有效 selected_time（去重 + 去空），转为 Series 便于 isin valid_selected = group['selected_time'].dropna().drop_duplicates() # 向量化判断：每行 rejected_time 是否在 valid_selected 中 return group['rejected_time'].isin(valid_selected)# 按 application_id 分组应用，禁用 group_keys 以提升性能（避免索引冗余）df['user_rejects'] = ( df.groupby('application_id', group_keys=False) .apply(mark_user_rejects) .astype(int) # 转为 0/1 整数，节省内存且兼容下游计算)? 为什么高效？ Cleanup.pictures 智能移除图片中的物体、文本、污迹、人物或任何不想要的东西