首先，“clicks”数据框被传递给函数“get_data_splits”，它返回train、valid和test。然后，它被传递给训练模型。

clicks = clicks.join(interactions)print("Score with interactions")train, valid, test = get_data_splits(clicks)_ = train_model(train, valid)

提示：你将要创建的第一个特征是过去六小时内来自同一IP的事件数量。经常访问的用户很可能下载应用。实现一个函数count_past_events，它接受一系列点击时间（时间戳）并返回另一个系列，表示过去一小时内的事件数量。但我无法理解这些代码行。

def count_past_events(series, time_window='6H'):    series = pd.Series(series.index, index=series)    past_events = series.rolling(time_window).count() - 1    return past_events

回答：

你好，欢迎来到论坛！遗憾的是，你写的那个方法不起作用。rolling方法的time_window参数定义了移动窗口的大小，但用于计算统计数据的观察次数。（参见这里：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.rolling.html）。

另一方面，.resample与.rolling类似，但它适用于基于时间的偏移。这正是你需要的！你可以直接使用数据框。请看下面的完整示例：

#创建一个示例数据框df=pd.DataFrame([["1/1/2016 12:00:20 AM", 1],                 ["1/2/2016 5:03:20 AM", 2],                 ["1/2/2016 5:06:20 AM", 3],                 ["1/2/2016 5:07:20 AM", 4],                 ["1/2/2016 6:06:20 AM", 5],                 ["1/3/2016 00:00:20 AM", 6]]        ,columns=['date','event_id'])#我们将date列转换为datetime并设置为索引df['date'] = pd.to_datetime(df['date'])df.index = df.datedel df['date']#这是魔法发生的地方。    df.resample('6H', label = 'right').count()

让我们更详细地解释一下最后一行。我们正在将DataFrame“缩小”到六小时为一组的区间——也就是说，每一行将代表六小时的数据。对于每一行，我们将“计数”其中的数据点数量，每一行的“名称”将是该区间的右边缘。这是我们得到的输出：

           date     2016-01-01 06:00:00     12016-01-01 12:00:00     02016-01-01 18:00:00     02016-01-02 00:00:00     02016-01-02 06:00:00     32016-01-02 12:00:00     12016-01-02 18:00:00     02016-01-03 00:00:00     02016-01-03 06:00:00     1

如你所见，在2016-01-02 06:00:00时，过去六小时内发生了3个事件。

祝你编程愉快！如果你有更多疑问，请告诉我。如果你认为这个问题已经得到解答，请点击我答案左侧的勾选标记。