本文介绍如何使用 pandas 对患者进出时间数据进行逐行遍历与时间重叠判断，精准计算每位患者到达时科室内的并发在院人数，并输出带统计结果的完整表格。
本文介绍如何使用 pandas 对患者进出时间数据进行逐行遍历与时间重叠判断，精准计算每位患者到达时科室内的并发在院人数，并输出带统计结果的完整表格。
在医疗资源调度、急诊科流量分析或病房 occupancy 统计等场景中，常需回答一个关键问题：当某位患者到达时，科室中已有多少名患者尚未离开？ 这本质上是一个“时间点重叠计数”问题——对每位患者的 arrival datetime，统计所有满足 arrival ≤ 当前患者到达时间
以下是基于 Python 和 Pandas 的清晰、可复现的实现方案：
✅ 步骤解析
- 构建结构化数据：将原始表格转为 pandas.DataFrame，便于向量化操作与时间解析；
- 统一时间格式：使用 pd.to_datetime() 将字符串日期列转换为 datetime64 类型，确保时间比较准确；
- 逐患者计算并发数：对外层循环遍历每位患者（索引 i），内层遍历全部患者（索引 j），判断其就诊时段是否覆盖当前患者的到达时刻（注意：原文代码中误用了 df.loc[i, 'depart datetime']，应为 df.loc[i, 'arrival datetime'] —— 下方已修正）；
-
正确逻辑条件：患者 j 在患者 i 到达时仍在科室内 ⇨
df.loc[j, 'arrival datetime']
? 修正后可运行代码（含注释与优化）
import pandas as pd
# 原始数据（已清洗空格与换行）
data = {
"Patient": [1, 2, 3, 4, 5, 6, 7, 8],
"arrival datetime": [
'09/04/2024 23:00',
'10/04/2024 07:42',
'10/04/2024 09:15',
'10/04/2024 08:56',
'10/04/2024 05:00',
'10/04/2024 06:15',
'10/04/2024 01:29',
'10/04/2024 08:22'
],
"depart datetime": [
'10/04/2024 11:00',
'10/04/2024 09:57',
'10/04/2024 13:00',
'10/04/2024 10:15',
'10/04/2024 08:30',
'10/04/2024 14:20',
'10/04/2024 10:32',
'10/04/2024 15:15'
]
}
df = pd.DataFrame(data)
df['arrival datetime'] = pd.to_datetime(df['arrival datetime'])
df['depart datetime'] = pd.to_datetime(df['depart datetime'])
df['Total in department at arrival'] = 0 # 更准确的列名
# 核心逻辑：对每位患者 i，统计在 i 到达时刻仍在科室内的人数（含 i 自身）
for i in range(len(df)):
count = 0
arrival_i = df.loc[i, 'arrival datetime']
for j in range(len(df)):
arr_j = df.loc[j, 'arrival datetime']
dep_j = df.loc[j, 'depart datetime']
if arr_j <h3>⚠️ 注意事项与进阶建议</h3>
- 性能提示：上述双循环为 O(n²) 复杂度，适用于百级以内数据；若处理千级以上记录，推荐改用「事件点扫描法」（Event-based Sweep Line）：将所有 arrival/depart 时间戳合并排序，用累加器动态维护实时在院数，时间复杂度降至 O(n log n)；
- 边界处理：
- 含不含本人？ 本实现包含本人（因 i == j 时 arr_j
- 扩展性：可轻松衍生出“每分钟在院人数曲线”、“峰值时段识别”、“平均停留时长”等指标，只需补充 .dt 属性计算或 groupby().agg()。
通过该方法，您不仅能准确填充表格中的 Total in department 列，更能建立起面向时序医疗数据的分析思维框架——从单点并发统计，迈向动态资源建模。
