Ausgabe
Hier ist der Datenrahmen, das Original hat eine Million Zeilen, daher muss die Lösung effizient sein:
Code:
import pandas as pd
df_temp = pd.DataFrame({'Download Button Clicked Time': {0: '2021-10-24 12:39:27.189629',
1: '2021-10-24 12:42:06.346536',
2: '2021-10-24 12:42:06.369056',
3: '2021-10-24 12:42:11.551610',
4: '2021-10-24 12:44:38.475047',
5: '2021-10-24 12:46:33.331920',
6: '2021-10-24 12:46:33.346536',
7: '2021-10-24 12:46:33.369056',
8: '2021-10-24 12:46:33.421520',
9: '2021-10-24 12:46:33.404641'},
'Install Verified Time': {0: '2021-10-24 12:41:04.669589',
1: '2021-10-24 12:43:14.032023',
2: '2021-10-24 12:43:14.033913',
3: '2021-10-24 12:44:08.667666',
4: '2021-10-24 12:46:11.161883',
5: '2021-10-24 12:46:34.976129',
6: '2021-10-24 12:46:35.032023',
7: '2021-10-24 12:46:35.033913',
8: '2021-10-24 12:46:35.065320',
9: '2021-10-24 12:46:35.125156'},
'App ID': {0: 'com.foxbytecode.captureintruder',
1: 'in.onecode.app',
2: 'com.payworld.phoneapp',
3: 'messenger.messenger.videocall.messenger',
4: 'imagito.image.search',
5: 'reward.earn.talktime.sixer',
6: 'com.hivoco.app',
7: 'messenger.social.productivity.notifire',
8: 'com.foxbytecode.exiftool',
9: 'com.fliplearn.app'},
'Email ID': {0: 'mandeepsharma38276atwehoo.com',
1: 'luckychauhan1199atwehoo.com',
2: 'mandeepsharma38276atwehoo.com',
3: 'chettanmon40atwehoo.com',
4: 'kaliapradhan1413atwehoo.com',
5: 'pinkydevi69784atwehoo.com',
6: 'pinkydevi69784atwehoo.com',
7: 'pinkydevi69784atwehoo.com',
8: 'pinkydevi69784atwehoo.com',
9: 'pinkydevi69784atwehoo.com'},
'install_time': {0: 97.47996,
1: 68.29827800000001,
2: 120.708813,
3: 117.116056,
4: 92.686836,
5: 1.644209,
6: 1.6854870000000002,
7: 1.664857,
8: 1.6438000000000001,
9: 1.720515},
'fraud': {0: 0, 1: 0, 2: 0, 3: 0, 4: 0, 5: 0, 6: 0, 7: 0, 8: 0, 9: 0}})
df_temp
Die Ausgabe sollte nur die letzten FÜNF “Betrugs”-Zeilen als eine haben, aber die aktuelle Ausgabe ist diese:
Der Code, den ich verwende, um Betrug zu erkennen und diese Ausgabe zu erhalten, lautet wie folgt:
df_temp['Download Button Clicked Time'] = df_temp['Download Button Clicked Time'].astype('datetime64[ns]')
df_temp['Install Verified Time'] = df_temp['Install Verified Time'].astype('datetime64[ns]')
df_temp['install_time'] = df_temp['Install Verified Time'] - df_temp['Download Button Clicked Time']
df_temp['install_time'] = df_temp['install_time'].dt.total_seconds()
df_temp['diff'] = df_temp.install_time.diff().abs()
def fraud_time(row):
fraud = 0
if row['install_time'] < 0.5:
fraud = 1
elif row['diff'] < 0.1:
fraud = 1
return fraud
df_temp['fraud'] = df_temp.apply(fraud_time, axis=1)
df_temp
Ich verwende Install Verified Time, scheint vernünftiger zu sein als Download Button Clicked Time. Wie Sie deutlich sehen können, sollte die dritte Zeile nicht als eine markiert werden, da die E-Mails der zweiten und dritten Zeile unterschiedlich waren. Außerdem sollten die letzten fünf, nicht vier Reihen ebenfalls mit 1 markiert werden.
TL;DR
Erkennen Sie Betrug (möglicherweise durch) mit pandas.DataFrame.diff nur, wenn die letzten beiden E-Mail-Adressen unterschiedlich waren.
Bearbeiten: Betrug hat einen sehr kleinen Zeitunterschied (z. B. 0,02 Sekunden), für die GLEICHE E-Mail, nicht für unterschiedliche. Zwei verschiedene Benutzer, die zwei verschiedene Apps in weniger als 2 Millisekunden installieren, sind sinnvoll, derselbe Benutzer, der dies tut, ist nicht sinnvoll.
Lösung
Der Schlüssel liegt darin, Einträge per E-Mail für aufeinanderfolgende Installationen zu gruppieren:
# I assume you have done this already
df['Install Verified Time'] = pd.to_datetime(df['Install Verified Time'])
df['fraud'] = (df['install_time'] < 0.5) | (
df.groupby('Email ID', as_index=False)['Install Verified Time'].diff()['Install Verified Time'] < pd.Timedelta(seconds=0.1)
)
Beantwortet von – Marat
Antwort geprüft von – Terry (FixError Volunteer)
