pandas 按组选取非缺失最大值行

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

根据 ID 进行分组，找到每组中的Date的最大日期后，再找到Due_Date的最大日期。如结果有多条数据，则返回多条（编号1002）。如某一编号的所有Date值均为空，则该部分数据全部保留，再从Due_Date中找到最大值（编号1004）。实际情况需要从七八列中筛选后，得到最终结果。

数据

以下为样例原数据：

# 原始数据
'''
ID  Date    Due_Date
1001    3/9/2022    3/30/2022
1001    6/14/2022   7/27/2022
1001    6/14/2022   7/13/2022
1001    5/19/2022   8/9/2022
1001    2/9/2022    4/20/2022
1002    11/5/2021   12/25/2021
1002    11/5/2021   12/25/2021
1002    9/17/2021   12/23/2021
1002    9/16/2021   12/4/2021
1002    8/11/2021   8/29/2021
1002    5/5/2021    6/29/2021
1003    8/8/2021    9/12/2021
1003    8/16/2021   10/16/2021
1003    9/29/2021   11/28/2021
1003    12/19/2021  2/5/2022
1004        3/7/2022
1004        3/8/2022
1005    3/12/2022   
1005    3/12/2022   
'''

读取数据：

import pandas as pd

df = pd.read_clipboard()
# 字段转为时间
df = df.astype({'Date': 'M8[ns]', 'Due_Date': 'M8[ns]'})
df
'''
      ID       Date   Due_Date
0   1001 2022-03-09 2022-03-30
1   1001 2022-06-14 2022-07-27
2   1001 2022-06-14 2022-07-13
3   1001 2022-05-19 2022-08-09
4   1001 2022-02-09 2022-04-20
5   1002 2021-11-05 2021-12-25
6   1002 2021-11-05 2021-12-25
7   1002 2021-09-17 2021-12-23
8   1002 2021-09-16 2021-12-04
9   1002 2021-08-11 2021-08-29
10  1002 2021-05-05 2021-06-29
11  1003 2021-08-08 2021-09-12
12  1003 2021-08-16 2021-10-16
13  1003 2021-09-29 2021-11-28
14  1003 2021-12-19 2022-02-05
15  1004        NaT 2022-03-07
16  1004        NaT 2022-03-08
17  1005 2022-03-12        NaT
18  1005 2022-03-12        NaT
'''

代码

以下为代码过程。

# 测试：处理单个分组数据，得到要保留的索引值
(
    df.groupby('ID')
    .get_group(1004)
    # 对除 ID 列外的所有列从左到右降序排列
    .sort_values(df.columns[1:].to_list(), ascending=False)
    .drop('ID', axis=1) # 删除 ID 列
    .dropna(axis=1) # 删除所有全为空的列
    .iloc[:, 0] # 让不全为空的列保留在最左侧
    .loc[lambda x: x == x.max()] # 取最大的值
    .index # 取索引
    .to_list() # 转为列表
)
# [16]

封装为函数：

# 封装为函数
def get_idxs(grp: pd.DataFrame) -> list:

    # 提前删除分组列
    grp = grp.drop('ID', axis=1)

    return (
    grp.sort_values(grp.columns.to_list(), ascending=False)
    .dropna(axis=1)
    .iloc[:, 0]
    .loc[lambda x: x == x.max()]
    .index
    .to_list()
)

计算每组的索引值：

# 测试：每个分组要保留的索引行
df.groupby('ID').apply(get_idxs)
'''
ID
1001      [1, 2]
1002      [5, 6]
1003        [14]
1004        [16]
1005    [17, 18]
dtype: object
'''

合并所有索引值：

# 计算所有要保留的索引
df.groupby('ID').apply(get_idxs).sum()
# [1, 2, 5, 6, 14, 16, 17, 18]

使用索引进行筛选：

# 执行保留
df.loc[df.groupby('ID').apply(get_idxs).sum()]
'''
      ID       Date   Due_Date
1   1001 2022-06-14 2022-07-27
2   1001 2022-06-14 2022-07-13
5   1002 2021-11-05 2021-12-25
6   1002 2021-11-05 2021-12-25
14  1003 2021-12-19 2022-02-05
16  1004        NaT 2022-03-08
17  1005 2022-03-12        NaT
18  1005 2022-03-12        NaT
'''

（完）

pandas 按组选取非缺失最大值行

数据

代码

相关内容