我正在尝试对消息进行分组，这些消息是在短时间内发送的。一个参数定义了消息之间的最大持续时间，以便将它们视为块的一部分。如果将消息添加到块中，则时间窗口将延长，以便将更多消息视为块的一部分。

示例输入

| | 消息| message |
| --|--|--|
| 0 |2023-01-01 12：00：00|一|
| 1 |2023-01-01 12：20：00| B|
| 2 |2023-01-01 12：30：00| C|
| 3 |2023-01-01 12：30：55| D|
| 4 |2023-01-01 12：31：20| E|
| 5 |2023-01-01 15：00：00| F|
| 6 |2023-01-01 15：30：30| G|
| 7 |2023-01-01 15：30：55| H|

参数设置为1 min时的预期输出

| | 消息|datetime_last| n块| n_block |
| --|--|--|--|--|
| 0 |2023-01-01 12：00：00|一|2023-01-01 12：00：00| 1 |
| 1 |2023-01-01 12：20：00| B| 2023-01-01 12：20：00| 1 |
| 2 |2023-01-01 12：30：00| C\n D\n E| 2023-01-01 12：31：20| 3 |
| 3 |2023-01-01 15：00：00| F| 2023-01-01 15：00：00| 1 |
| 4 |2023-01-01 15：30：30|公司简介|2023-01-01 15：30：55| 2 |

我失败的尝试

我希望通过滚动窗口来实现这一点，滚动窗口将不断追加消息行。

def join_messages(x):
    return '\n'.join(x)

df.rolling(window='1min', on='datetime').agg({
  'datetime': ['first', 'last'], 
  'message': [join_messages, "count"]}) #Somehow overwrite datetime with the aggregated datetime.first.

字符串
两个聚合都在ValueError：invalid on specified as datetime, must be a column (of DataFrame), an Index or None上失败。
我没有看到一个干净的方法来让datetime在Window中“可访问”。此外，滚动也不能很好地处理字符串。我的印象是，这是一个死胡同，有一个更干净的方法来解决这个问题。
输入和预期数据的片段

df = pd.DataFrame({
    'datetime': [pd.Timestamp('2023-01-01 12:00'),
                 pd.Timestamp('2023-01-01 12:20'),
                 pd.Timestamp('2023-01-01 12:30:00'),
                 pd.Timestamp('2023-01-01 12:30:55'),
                 pd.Timestamp('2023-01-01 12:31:20'),
                 pd.Timestamp('2023-01-01 15:00'),
                 pd.Timestamp('2023-01-01 15:30:30'),
                 pd.Timestamp('2023-01-01 15:30:55'),],
    'message': list('ABCDEFGH')})

df_expected = pd.DataFrame({
    'datetime': [pd.Timestamp('2023-01-01 12:00'),
                 pd.Timestamp('2023-01-01 12:20'),
                 pd.Timestamp('2023-01-01 12:30:00'),
                 pd.Timestamp('2023-01-01 15:00'),
                 pd.Timestamp('2023-01-01 15:30:30'),],
    'message': ['A', 'B', 'C\nD\nE', 'F', 'G\nH'],
    'datetime_last': [pd.Timestamp('2023-01-01 12:00'),
                      pd.Timestamp('2023-01-01 12:20'),
                      pd.Timestamp('2023-01-01 12:31:20'),
                      pd.Timestamp('2023-01-01 15:00'),
                      pd.Timestamp('2023-01-01 15:30:55'),],
    'n_block': [1, 1, 3, 1, 2]})

型