如何合并Pandas DataFrame产品记录：按状态及日期间隔聚合

原始数据 #

需求 #

• 合并无状态变化且时间连续的产品记录，保留最小Start_Date和最大End_Date
• 状态切换时，单独保留该状态段的聚合记录
• 相邻记录存在日期间隔时，保留各段独立记录

期望输出 #

实现代码 #

import pandas as pd

# 1. 构建原始DataFrame
data = {
    'Product': ['Banana', 'Apple', 'Apple', 'Apple', 'Banana', 'Banana', 'Orange', 'Orange'],
    'Status': ['Good', 'Good', 'Good', 'Good', 'Bad', 'Good', 'Good', 'Good'],
    'Start_Date': ['2000-01-01', '2000-01-01', '2001-01-01', '2002-01-01', '2001-01-01', '2002-01-01', '2001-01-01', '2002-02-01'],
    'End_Date': ['2000-12-31', '2000-12-31', '2001-12-31', '2023-09-28', '2001-12-31', pd.NaT, '2001-12-31', pd.NaT]
}
df = pd.DataFrame(data)

# 2. 转换日期列为datetime类型，便于时间运算
df['Start_Date'] = pd.to_datetime(df['Start_Date'])
df['End_Date'] = pd.to_datetime(df['End_Date'])

# 3. 按产品和开始日期排序，确保时间顺序正确
df_sorted = df.sort_values(['Product', 'Start_Date']).reset_index(drop=True)

# 4. 生成分组标识：满足任一条件则开启新分组
# - 产品切换（冗余但保证鲁棒性）
# - 状态切换
# - 当前记录的开始日期不是上一条记录结束日期的次日（存在间隔）
df_sorted['group_key'] = (
    (df_sorted['Product'] != df_sorted['Product'].shift()) 
    | (df_sorted['Status'] != df_sorted['Status'].shift()) 
    | (df_sorted['Start_Date'] != df_sorted['End_Date'].shift() + pd.Timedelta(days=1))
).cumsum()

# 5. 聚合分组，取每组的最小开始日期和最大结束日期
result = df_sorted.groupby(['Product', 'Status', 'group_key'], as_index=False).agg(
    Start_Date=('Start_Date', 'min'),
    End_Date=('End_Date', 'max')
).drop(columns='group_key')

# 6. 按产品和开始日期排序，匹配期望输出顺序
result = result.sort_values(['Product', 'Start_Date']).reset_index(drop=True)

print(result)

代码说明 #

1. 日期转换：将字符串日期转为datetime类型，支持后续的时间差计算；
2. 排序：确保每个产品的记录按时间顺序排列，保证分组逻辑的正确性；
3. 分组标识：通过cumsum()给满足拆分条件的记录分配不同组ID，实现"连续同状态且无间隔则合并"的逻辑；
4. 聚合：对每个分组取最小开始日期和最大结束日期，完成合并；
5. 最终排序：调整输出顺序，与期望结果一致。

内容的提问来源于stack exchange，提问作者PRuss