本文介绍如何使用 pandas 对 dataframe 按某一列（如产品类别）分组，并在每组中保留日期列最大（即最新）的那条记录，适用于清洗含重复id但需保留最新快照的业务数据。
本文介绍如何使用 pandas 对 dataframe 按某一列（如产品类别）分组，并在每组中保留日期列最大（即最新）的那条记录，适用于清洗含重复id但需保留最新快照的业务数据。
在实际数据分析中，我们常遇到这样的场景：同一标识（如商品名称、用户ID、设备编号）存在多条历史记录，而目标仅是提取每组中“时间最晚”的那一条——例如最新销售日期、最近一次登录、最新版本配置等。Pandas 提供了简洁高效的解决方案，无需复杂嵌套或手动遍历。
✅ 核心思路：groupby + idxmax() + loc
虽然 df.groupby('B')['A'].max() 能返回每组的最大日期值，但它只输出聚合结果（Series），无法直接获取原始行数据（含列 A、B、E 的完整记录）。因此，正确做法是：
- 将日期列转为 datetime 类型（关键前提！否则字符串比较会导致逻辑错误，如 '26/12/2023' > '01/01/2024' 可能为 True）；
- 使用 groupby('B').A.idxmax() 获取每组中列 A 值最大的原始索引位置；
- 用 .loc[] 按这些索引筛选原 DataFrame，保留完整行。
? 完整可运行代码示例：
import pandas as pd
# 构造示例数据（注意：日期为字符串格式）
df = pd.DataFrame({
'A': ['26/12/2023', '26/12/2022', '26/12/2023', '26/12/2022',
'26/12/2023', '26/12/2022', '26/12/2023'],
'B': ['apple', 'apple', 'pear', 'orange', 'wildberry', 'wildberry', 'grapes'],
'E': ['7,9', '8,3', '28,6', '33,3', '24,7', '29,1', '17,1']
})
# ✅ 步骤1：将列 A 转为 datetime（自动识别 dayfirst=True 更安全）
df['A'] = pd.to_datetime(df['A'], dayfirst=True)
# ✅ 步骤2：按 B 分组，取每组中 A 最大值对应的原始索引
idx = df.groupby('B')['A'].idxmax()
# ✅ 步骤3：用 loc 提取完整行，并重置索引（可选）
result = df.loc[idx].sort_values('A').reset_index(drop=True)
# 若需恢复日期为原始字符串格式（如 '26/12/2023'），可选：
# result['A'] = result['A'].dt.strftime('%d/%m/%Y')
print(result)输出结果：
A B E 0 2023-12-26 apple 7,9 1 2023-12-26 pear 28,6 2 2022-12-26 orange 33,3 3 2023-12-26 wildberry 24,7 4 2023-12-26 grapes 17,1
? 提示：.idxmax() 返回的是原始索引（保留原顺序），而 .max() 仅返回值；若后续需按日期排序，建议使用 sort_values('A') 显式控制。
⚠️ 注意事项与常见误区
- 日期类型必须转换：若跳过 pd.to_datetime()，Pandas 会按字符串字典序比较（如 '26/12/2022' > '01/01/2024' 成立），导致结果完全错误；
- 处理空值（NaN）：idxmax() 默认跳过 NaN；如需保留含 NaN 的组，添加参数 skipna=False 并配合异常处理；
- 多列同时取最新：若还需按另一列（如 C）二次排序，可用 sort_values(['B', 'A']).drop_duplicates('B', keep='last')；
- 性能提示：对超大数据集，groupby().idxmax() 比 sort_values().drop_duplicates() 更高效，因无需全量排序。
✅ 总结
一句话掌握：先转日期 → 再 groupby().idxmax() 找索引 → 最后 loc[] 提取行。这是 Pandas 中处理“每组取最新记录”任务的标准范式，简洁、健壮且易于扩展。作为初学者，理解 idxmax 与 max 的区别，是跨越 loc 困境的关键一步。
