узнать наиболее часто встречающийся интервал дат из набора изменяющихся интервалов дат в python

Question

У меня есть файл CSV со столбцом, который имеет разные диапазоны дат для миллиона записей. Например, у меня есть что-то вроде этого: 2004-2016; 1980-2016; 1991-2006; 2000-2012; 1998 - 2011

Если я хочу узнать диапазон 3, 5 или 7 лет, который наиболее часто встречается во всех этих записях, как это сделать в Python? Не имеет значения, устранено ли несколько записей, но я пытаюсь выяснить, какая 7-часовая частота или 10-летняя частота наиболее распространены для всех диапазонов. Может кто-нибудь помочь?

Answer 1

• Parse file; получить 2-элементные кортежи: ((2004, 2016), (1980-2016), ...).
• Преобразуйте его в различия: (12, 36, ...).
• Создать Counter объект с этим sequnce и позвонить most_common метод.

Answer 2

Разделите свою последовательность на отдельные диапазоны. Предполагая, что вы вызываете полученную последовательность diff.

from collections import Counter 

diff = ["2004-2016", "1980-2016", "1991-2006", "2000-2012", "1998 - 2011"] 

diff_frequency = Counter(map(lambda x: abs(eval(x)), diff)).most_common() 

most_common_diff = diff_frequency[0] 

Answer 3

Вы можете использовать collections.defaultdict из collections.Counter справиться с этим. defaultdict используется, чтобы сгруппировать диапазоны дат по количеству лет, и Counter отслеживает графами строк диапазона для этого ряда лет:

from collections import defaultdict, Counter 

year_ranges = defaultdict(Counter) 

s = '2004-2016; 1980-2016; 1991-2006; 2000-2012; 1998 - 2011; 2004-2016' 
for start, end in [r.split('-') for r in s.split('; ')]: 
    start, end = int(start), int(end) 
    year_ranges[end-start].update(['{}-{}'.format(start, end)]) # update counter for normalised range string 

>>> print(year_ranges) 
defaultdict(<class 'collections.Counter'>, {36: Counter({'1980-2016': 1}), 12: Counter({'2004-2016': 1, '2000-2012': 1}), 13: Counter({'1998-2011': 1}), 15: Counter({'1991-2006': 1})}) 

Если вы хотите знать, наиболее распространенную строку диапазона с год диапазон 12:

>>> year_ranges[12].most_common(1) 
[('2004-2016', 2)] 

Не знаю, как вы хотите обрабатывать случаи, когда Есть несколько строк диапазона, представляющих один и тот же диапазон года с эквивалентными пунктами.