我有一个包含日期信息的数据框，如下所示，我想删除代码+当前日期中的重复项，条件如下: 1) 如果['code','currentdate']中有重复，则保留小于或当前日期的最新开始日期； 2) 如果['code','currentdate']中没有重复项，则保留原始日期。 谢谢!
> code currentdate startdate category
> a 2018-04-01 2015-04-28 category_z
> a 2018-04-01 2015-08-28 category_x
> a 2018-04-01 2018-04-17 category_y
> a 2018-05-01 2015-04-28 category_z
> a 2018-05-01 2015-08-28 category_x
> a 2018-05-01 2018-04-17 category_y
> b 2018-04-01 2018-08-28 category_x
> b 2018-05-01 2018-08-28 category_x
> c 2018-04-01 2018-03-17 category_x
> c 2018-04-01 2018-04-28 category_y
> c 2018-05-01 2018-03-17 category_x
> c 2018-05-01 2018-04-28 category_y
预期输出为:
> code currentdate startdate category > a 2018-04-01 2015-08-28 category_x > a 2018-05-01 2018-04-17 category_y > b 2018-04-01 2018-08-28 category_x > b 2018-05-01 2018-08-28 category_x > c 2018-04-01 2018-03-17 category_x > c 2018-05-01 2018-04-28 category_y
最佳答案
用途:
m=df.duplicated(['code','currentdate'],keep=False)
n=(df[m].sort_values(['code','startdate'],ascending=[True,False])
.query("startdate<currentdate").drop_duplicates(['code','currentdate']))
pd.concat([df[~m],n]).sort_index()
code currentdate startdate category
0 a 2018-04-01 2015-08-28 category_x
3 a 2018-05-01 2018-04-17 category_y
4 b 2018-04-01 2018-08-28 category_x
5 b 2018-05-01 2018-08-28 category_x
6 c 2018-04-01 2018-03-17 category_x
9 c 2018-05-01 2018-04-28 category_y
关于python-3.x - 根据条件去除重复，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/57234480/