Question

给出数据框：

df = pd.DataFrame({'col1': ['A', 'A', 'A','B','B'], 'col2': ['type1', 'type2', 'type1', 'type2', 'type1'] , 'hour': ['18:03:30','18:00:48', '18:13:46', '18:11:29', '18:06:31']  })

col1 col2   hour
A   type1   18:03:30 # Drop this row as (A type1) already present
A   type2   18:00:48
A   type1   18:13:46 # keep this row as (A type1) already present.
B   type2   18:11:29
B   type1   18:06:31

我要基于col1，col2 删除重复项。

例如（row（0）：A type1，row（2）：A type1）

保留，仅保留具有最近小时的行，例如（18:13:46）。

我尝试使用 groupby 返回基于col1的子集，并尝试使用 drop_duplicates 将重复项删除到col2中。我需要找到一种通过条件的方法（最近一小时）

示例代码：

for key, grp in df.groupby('col1'):
  grp.drop_duplicates(subset='col2', keep="LATEST OF HOUR")

预期结果：

col1 col2   hour
A   type1   18:03:30
A   type2   18:00:48
B   type2   18:11:29
B   type1   18:06:31

编辑添加上下文

我的原始数据帧较大，该解决方案还需要工作：


col1 col2   other  hour
A   type1   h  18:03:30 # Drop this row as (A type1) already present
A   type2   ss 18:00:48
A   type1   ll 18:13:46 # keep this row as (A type1) already present
B   type2   mm 18:11:29
B   type1   jj 18:06:31

仍然需要根据小时删除列

Answer 1

df.drop_duplicates(['col1','col2'] , keep = 'last')

Answer 2

按照anky_91的评论，我这样解决了它：

df.sort_values('hour').drop_duplicates(['col1','col2'] , keep = 'last')

这是根据“小时”列进行排序的，因此您可以确保keep ='last'获得最后一个元素

熊猫：根据col [B]

编辑添加上下文

2 个答案: