а не проще в бигквери запрос составить? это ж выгрузка из файрбейс, если верно понял?

да, но представлял что на пандасе будет проще, как написать это на sql -  вопрос)

наверное что-то вроде select count(distinct session_id) from sessions s inner join view_search_results v on s.presuodo_user_id=v.presuodo_user_id and v.search_timestamp between s.session_timestamp_start and s.session_timestamp_end я правда sql диалекта bigquery не знаю

кмк то что можно сделать на sql лучше делать на sql тк декларативный язык, как правило, ведёт к меньшему числу ошибок

плюсую, к тому же если делать запросом — мощность расходуется серверами бигквери, а не тем на котором запущен питон

как оказалось там не все так просто, нет даты когда сессия заканчивается, но она точно заканчивается, когда начинается другая сессия. Поэтому такой способ не сработает

считать в файрбейсе что-то по сессиям — гиблое дело

он изначально user-based, лучше по юзерам и считать

вернее user_pseudo_id, аналог clientId из GA

как вариант — присобачить к user_pseudo_id дату и считать клиенто-дни, чтобы избавиться от зависимости коэффициента конверсии от окна подсчета

тогда или дважды джойнить с таблицей сессий (есть сессия после текущей, но нет сессии между ними), чтобы получить дату следующей сессии или использовать для этого оконную функцию типо вот такой https://cloud.google.com/dataprep/docs/html/PREV-Function_57344750 ,  а потом опять же джойнить с просмотрами. В pandas тоже можно решить, отсортировать по пользователю и дате, затем использоовать метод shift тип как тут показано https://stackoverflow.com/questions/22081878/get-previous-rows-value-and-calculate-new-column-pandas-python чтобы узнать дату следующей сессии того же пользователя. Но вариант с оконной функцией кмк лучше

Добрый вечер! Подскажите пожалуйста как эффективнее всего из из обычной даты в timespant сконвертировать столбец, думал реализовать через apple() но сдается мне что это может занять очень много времени

pd.Timestamp(df['col'], unit ='s')

Ой

иногда,
pd.Timestamp(df['col'], unit ='ms')

Не прочитал, вам же наоборот надо

df['ts'] = df['datetime'] .values.astype(np.int64) // 10 ** 9

Спасибо ребята

Я тут наткнулся на либу под названием petl. Судя по вот этому ноутбуку она мало отличается от pandas: https://nbviewer.jupyter.org/github/petl-developers/petl/blob/master/notes/case_study_1.ipynb