Pandas按uid分组、按date排序提取最早日期对应price的矢量化实现

问题背景 #

现有df_prices DataFrame，包含uid（存在重复值）、date、price三列，数据示例：

df_prices
index   uid date        price 
0       123 02-02-2000  11100
1       123 01-01-2000  22200
2       123 03-03-2000  44000
3       123 04-04-2000  66000
4       456 03-03-2000  77700
5       456 02-02-2000  88800
6       456 04-04-2000  66600
...     ... ...         ...
98      987 01-01-2005  12300
99      987 04-04-2005  45600
100     987 05-05-2005  78900

需求：按uid分组，每组按date排序后提取最早日期对应的price，生成包含唯一uid和对应最早价格的df_oldest_prices DataFrame，结果示例：

df_oldest_prices
index   uid   price 
0       123   22200
1       456   88800
...     ...  ...     
40      987   12300

此前通过iterrows循环实现，效率偏低，需要用矢量化Pandas代码优化，且不能使用pivot方法。

优化方案 #

步骤1：统一日期格式（关键） #

首先将date列转换为datetime类型，避免字符串排序导致的逻辑错误：

import pandas as pd

df_prices['date'] = pd.to_datetime(df_prices['date'], format='%d-%m-%Y')

步骤2：矢量化提取目标数据 #

提供两种高效实现方式：

方式一：分组取首行

先按uid和date升序排序，再分组提取每组第一行：

df_oldest_prices = df_prices.sort_values(['uid', 'date']) \
                            .groupby('uid', as_index=False) \
                            .first()[['uid', 'price']]

方式二：去重保留首行（性能更优）

排序后直接对uid去重，保留每组最早的行：

df_oldest_prices = df_prices.sort_values(['uid', 'date']) \
                            .drop_duplicates(subset='uid', keep='first') \
                            .reset_index(drop=True)[['uid', 'price']]

说明 #

• 转换日期类型是核心前提，否则字符串格式的日期会按字符顺序排序，跨年份场景下会出现结果错误。
• 两种方式均为矢量化操作，相比iterrows循环效率提升显著，其中drop_duplicates的方式在数据量较大时性能更优，因为避免了分组操作的额外开销。

内容的提问来源于stack exchange，提问作者Fabio