使用日期逻辑创建假数据

Question

我正在尝试将虚假数据插入此 table。它不能完全随机，因为行需要有意义。我会在下面解释。

我的数据是这样的：

AcctID	account_status	start_date	end_date
C382861922	ACTIVE	2016-05-25	None
C382861922	INACTIVE	None	None
C382861922	ACTIVE	None	None
C382861922	INACTIVE	None	2021-12-31
C429768513	ACTIVE	2015-12-27	None
C429768513	INACTIVE	None	None
C429768513	ACTIVE	None	None
C429768513	INACTIVE	None	None
C429768513	ACTIVE	None	None
C429768513	INACTIVE	None	None
C429768513	ACTIVE	None	None
C429768513	INACTIVE	None	2021-12-31
C643625629	ACTIVE	2016-07-24	None
C643625629	INACTIVE	None	None
C643625629	ACTIVE	None	2021-12-31
C82157435	ACTIVE	2016-10-22	None
C82157435	INACTIVE	None	2021-12-31

每个 AcctID 都可以出现多次，但仅用一个 AcctID 出现两次的例子来解释我在做什么是最容易的：

AcctID	account_status	start_date	end_date
C82157435	ACTIVE	2016-10-22	None
C82157435	INACTIVE	None	2021-12-31

我的目标是随机选择一个日期，在此客户更改了他们的 account_status，这将成为 end_date第一行和第二行的start_date。所以，我只需要选择 1 个随机日期，并将其插入到两个地方。很简单 - 我可以 max() 和 min() 然后计算天数的差异，然后在该范围内选择一个随机整数。

但是，我不知道如何为使用超过 2 条记录的客户做这件事:

AcctID	account_status	start_date	end_date
C429768513	ACTIVE	2015-12-27	None
C429768513	INACTIVE	None	None
C429768513	ACTIVE	None	None
C429768513	INACTIVE	None	None
C429768513	ACTIVE	None	None
C429768513	INACTIVE	None	None
C429768513	ACTIVE	None	None
C429768513	INACTIVE	None	2021-12-31

有几个地方可以随机选择一个日期，但由于需要相互对应，问题就变得很复杂了。有什么想法吗？

下面是创建示例数据框的代码：

import pandas as pd

fake = [
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "2015-12-27",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "ACTIVE",
   "start_date": "None",
   "end_date": "None"
 },
 {
   "AcctID": "C429768513",
   "account_status": "INACTIVE",
   "start_date": "None",
   "end_date": "2021-12-31"
 }
]

df = pd.DataFrame(fake)

编辑：这是程序输出的伪造示例。请注意大部分日期是随机选择的 - 但前一行的结束日期与下一行的开始日期相匹配。

AcctID	account_status	start_date	end_date
C429768513	ACTIVE	2015-12-27	2016-01-05
C429768513	INACTIVE	2016-01-05	2016-03-01
C429768513	ACTIVE	2016-03-01	2017-06-22
C429768513	INACTIVE	2017-06-22	2017-09-04
C429768513	ACTIVE	2017-09-04	2018-10-27
C429768513	INACTIVE	2018-10-27	2019-04-04
C429768513	ACTIVE	2019-04-04	2020-06-06
C429768513	INACTIVE	2020-06-06	2021-12-31

Answer 1

解决这个问题的一种方法：

df = df.replace(to_replace='None', value=np.nan)

def random_date(x):
    s_d = pd.to_datetime(x[x['start_date'].notna()]['start_date'])
    e_d = pd.to_datetime(x[x['end_date'].notna()]['end_date'])
    
    start_u = s_d.iloc[0].value//10**9
    end_u = e_d.iloc[0].value//10**9
    end_date_list = sorted(pd.to_datetime(np.random.randint(start_u, end_u, len(x)-1), unit='s').values)
    end_date_list = np.append(end_date_list, e_d.values)
    x['end_date'] = end_date_list
    mask = x['start_date'].isna()
    x.loc[mask,'start_date'] = x.shift(1).loc[mask]['end_date'].astype(str)
    x['start_date'] = pd.to_datetime(x['start_date']).dt.date
    x['end_date'] = pd.to_datetime(x['end_date']).dt.date
    return x

df = df.groupby('AcctID').apply(random_date)

输出：

        AcctID account_status  start_date    end_date
0   C382861922         ACTIVE  2016-05-25  2016-12-23
1   C382861922       INACTIVE  2016-12-23  2017-12-28
2   C382861922         ACTIVE  2017-12-28  2019-04-24
3   C382861922       INACTIVE  2019-04-24  2021-12-31
4   C429768513         ACTIVE  2015-12-27  2017-12-04
5   C429768513       INACTIVE  2017-12-04  2019-01-07
6   C429768513         ACTIVE  2019-01-07  2019-04-03
7   C429768513       INACTIVE  2019-04-03  2020-06-13
8   C429768513         ACTIVE  2020-06-13  2021-02-13
9   C429768513       INACTIVE  2021-02-13  2021-03-09
10  C429768513         ACTIVE  2021-03-09  2021-08-09
11  C429768513       INACTIVE  2021-08-09  2021-12-31
12  C643625629         ACTIVE  2016-07-24  2021-02-27
13  C643625629       INACTIVE  2021-02-27  2021-05-20
14  C643625629         ACTIVE  2021-05-20  2021-12-31
15   C82157435         ACTIVE  2016-10-22  2021-02-20
16   C82157435       INACTIVE  2021-02-20  2021-12-31

使用日期逻辑创建假数据

Creating fake data using date logic

python

dataframe

python-datetime

pandas