按照pandas数据框分组,然后在每个组中选择最新的

Question

如何对pandas数据帧的值进行分组并从每个组中选择最新的(按日期)？

例如,给定按日期排序的数据框:

    id     product   date
0   220    6647     2014-09-01 
1   220    6647     2014-09-03 
2   220    6647     2014-10-16
3   826    3380     2014-11-11
4   826    3380     2014-12-09
5   826    3380     2015-05-19
6   901    4555     2014-09-01
7   901    4555     2014-10-05
8   901    4555     2014-11-01

按ID或产品分组,并选择最早的给出:

    id     product   date
2   220    6647     2014-10-16
5   826    3380     2015-05-19
8   901    4555     2014-11-01

Answer 1

您还可以使用tailgroupby获取组的最后n个值:

df.sort_values('date').groupby('id').tail(1)

    id  product date
2   220 6647    2014-10-16
8   901 4555    2014-11-01
5   826 3380    2015-05-19

Answer 2

使用idxmax中groupby,切片df与loc

df.loc[df.groupby('id').date.idxmax()]

    id  product       date
2  220     6647 2014-10-16
5  826     3380 2015-05-19
8  901     4555 2014-11-01

Answer 3

我遇到了类似的问题，最终使用drop_duplicates而不是groupby.

与上面建议的其他方法相比，它在大型数据集上的运行速度似乎明显更快。

df.sort_values(by="date").drop_duplicates(subset=["id"], keep="last")

    id  product        date
2  220     6647  2014-10-16
8  901     4555  2014-11-01
5  826     3380  2015-05-19

Answer 4

给定按日期排序的数据框，您可以通过多种方式获得所需的内容：

像这样：

df.groupby(['id','product']).last()

像这样：

df.groupby(['id','product']).nth(-1)

或者像这样：

df.groupby(['id','product']).max()

如果您不想id并product显示为索引，请使用groupby(['id', 'product'], as_index=False). 或者使用：

df.groupby(['id','product']).tail(1)