我想知道一条记录是否在 Pandas Dataframe 中更新了它的日期。数据框由几列组成，其中对于 A 的每个值，我们有多个 B 值，包括开始日期和结束日期。由于时间戳，我们可以知道是否有新记录或先前的记录已被修改。
我想知道的是如何能够检查新记录的日期范围是否接近其组中的其他记录，例如 B1 组，如果它们具有相似的日期范围，则仅删除前一条记录保留更新的新记录，但如果它没有可解释为新记录的通用范围。
例如
输入数据框：
| A | B | 开始 | 结束 | 时间戳 |
|---|---|---|---|---|
| A1 | B1 | 2021-05-10 00:00:00 | 2021-05-27 00:00:00 | 2021-05-15 00:00:00 |
| A1 | B1 | 2021-05-12 00:00:00 | 2021-05-30 00:00:00 | 2021-04-15 00:00:00 |
| A1 | B1 | 2021-05-10 00:00:00 | 2021-05-12 00:00:00 | 2021-03-15 00:00:00 |
| A1 | B2 | 2021-06-02 00:00:00 | 2021-06-04 00:00:00 | 2021-02-15 00:00:00 |
| A2 | B3 | 2021-01-01 00:00:00 | 2022-01-01 00:00:00 | 2021-05-15 00:00:00 |
| A2 | B3 | 2021-07-15 00:00:00 | 2021-08-15 00:00:00 | 2021-04-15 00:00:00 |
| A2 | B4 | 2021-05-30 00:00:00 | 2021-06-15 00:00:00 | 2021-05-15 00:00:00 |
| A2 | B4 | 2021-06-02 00:00:00 | 2021-06-17 00:00:00 | 2021-04-15 00:00:00 |
预期输出：
| A | B | 开始 | 结束 | 时间戳 |
|---|---|---|---|---|
| A1 | B1 | 2021-05-10 00:00:00 | 2021-05-27 00:00:00 | 2021-05-15 00:00:00 |
| A1 | B2 | 2021-06-02 00:00:00 | 2021-06-04 00:00:00 | 2021-02-15 00:00:00 |
| A2 | B3 | 2021-01-01 00:00:00 | 2022-01-01 00:00:00 | 2021-05-15 00:00:00 |
| A2 | B3 | 2021-07-15 00:00:00 | 2021-08-15 00:00:00 | 2021-04-15 00:00:00 |
| A2 | B4 | 2021-05-30 00:00:00 | 2021-06-15 00:00:00 | 2021-05-15 00:00:00 |
谢谢！
答案 0 :(得分：2)
我不确定您对“关闭”日期范围的确切含义，因此此答案与您在问题中列出的输出不完全匹配。
出于演示目的，我制作了一个名为 data.csv 的 csv 文件，其中包含您问题中的数据
A,B,Start,End,Timestamp
A1,B1,2021-05-10 00:00:00,2021-05-27 00:00:00,2021-05-15 00:00:00
A1,B1,2021-05-12 00:00:00,2021-05-30 00:00:00,2021-04-15 00:00:00
A1,B1,2021-05-10 00:00:00,2021-05-12 00:00:00,2021-03-15 00:00:00
A1,B2,2021-06-02 00:00:00,2021-06-04 00:00:00,2021-02-15 00:00:00
A2,B3,2021-01-01 00:00:00,2022-01-01 00:00:00,2021-05-15 00:00:00
A2,B3,2021-07-15 00:00:00,2021-08-15 00:00:00,2021-04-15 00:00:00
A2,B4,2021-05-30 00:00:00,2021-06-15 00:00:00,2021-05-15 00:00:00
A2,B4,2021-06-02 00:00:00,2021-06-17 00:00:00,2021-04-15 00:00:00
一种方法是比较 B 列中每个组的时间差异。我们将从您在问题中提到的组开始，即 B 列值等于 "B1"：
import pandas as pd
df = pd.read_csv("data.csv")
dff = df[df["B"] == "B1"]
>>> dff
A B ... End Timestamp
0 A1 B1 ... 2021-05-27 00:00:00 2021-05-15 00:00:00
1 A1 B1 ... 2021-05-30 00:00:00 2021-04-15 00:00:00
2 A1 B1 ... 2021-05-12 00:00:00 2021-03-15 00:00:00
# Difference in number of days between start and end date
>>> (pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days
0 17
1 18
2 2
dtype: int64
# How does each time difference compare to the time difference in the first row
>>> (pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days.diff().fillna(0)
0 0.0
1 1.0
2 -16.0
dtype: float64
# Filter where the number of days difference compared to the first row is less than 7
>>> abs((pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days.diff().fillna(0)) < 7
0 True
1 True
2 False
dtype: bool
# Filter dff based on earlier condition
>>> dff[abs((pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days.diff().fillna(0)) < 7]
A B Start End Timestamp
0 A1 B1 2021-05-10 00:00:00 2021-05-27 00:00:00 2021-05-15 00:00:00
1 A1 B1 2021-05-12 00:00:00 2021-05-30 00:00:00 2021-04-15 00:00:00
上面我们只比较了 B 列的一组。要对所有组执行上述操作，我们可以在 B 列上使用 groupby。然后我们可以遍历每个组并使用前面提到的过滤器过滤每个组。过滤完所有组后，这些过滤后的组可以包含在列表中并连接在一起。
df = pd.concat([
group[
abs(
(pd.to_datetime(group.End) - pd.to_datetime(group.Start))
.dt.days.diff()
.fillna(0)
)
< 7
]
for name, group in df.groupby("B")
])
>>> df
A B Start End Timestamp
0 A1 B1 2021-05-10 00:00:00 2021-05-27 00:00:00 2021-05-15 00:00:00
1 A1 B1 2021-05-12 00:00:00 2021-05-30 00:00:00 2021-04-15 00:00:00
3 A1 B2 2021-06-02 00:00:00 2021-06-04 00:00:00 2021-02-15 00:00:00
4 A2 B3 2021-01-01 00:00:00 2022-01-01 00:00:00 2021-05-15 00:00:00
6 A2 B4 2021-05-30 00:00:00 2021-06-15 00:00:00 2021-05-15 00:00:00
7 A2 B4 2021-06-02 00:00:00 2021-06-17 00:00:00 2021-04-15 00:00:00
根据您的需要调整亲密度。我在这里使用了几天作为度量，但您可以使用不同的天数。您可以使用秒、微秒、纳秒等...查看 Series documentation 以获取更多示例。