如何为Pandas DataFrame的重复分组创建规则：保留最早记录并基于组内特征批量设置列值

这问题我之前处理类似需求时碰到过，用Pandas的分组聚合功能就能轻松实现你的需求，给你两种可行的方案，适合不同的理解习惯：

方案一：一步聚合完成（高效简洁） #

这种方法直接通过groupby+agg一步得到结果，代码量少，处理大型DataFrame时效率更高：

import pandas as pd

# 生成原DataFrame（和你的代码一致）
dates = pd.to_datetime(['2021-1-1', '2017-2-1', '2016-5-1', '2020-6-1', '2020-11-1', '2012-4-1'])
animals = pd.Series(['cat', 'dog', 'dog', 'cat', 'fish', 'fish'])
df = pd.DataFrame({'DoB' : dates, 'Animal' : animals})
df[r'Born in 2020?'] = df['DoB'].apply(lambda x: x.year == 2020)

# 核心处理代码
result_df = df.groupby('Animal').agg(
    DoB=('DoB', 'min'),  # 取每组最早的出生日期
    'Duplicate born in 2020?'=('Born in 2020?', 'any')  # 判断组内是否有2020年出生的记录
).reset_index()

# 调整列顺序和示例输出一致
result_df = result_df[['DoB', 'Animal', 'Duplicate born in 2020?']]
print(result_df)

代码解释： #

• groupby('Animal')：按动物种类对DataFrame分组
• agg()：聚合操作，同时完成两个任务：
  • ('DoB', 'min')：对每个组的DoB列取最小值，即该动物的最早出生日期
  • ('Born in 2020?', 'any')：对每个组的布尔列用any()判断，只要组内有一条记录为True，结果就为True
• reset_index()：把Animal从分组索引变回普通列，保证结构和需求一致

方案二：分步处理（逻辑清晰） #

如果觉得一步聚合有点抽象，也可以拆成分步骤执行，逻辑更直观：

import pandas as pd

# 生成原DataFrame
dates = pd.to_datetime(['2021-1-1', '2017-2-1', '2016-5-1', '2020-6-1', '2020-11-1', '2012-4-1'])
animals = pd.Series(['cat', 'dog', 'dog', 'cat', 'fish', 'fish'])
df = pd.DataFrame({'DoB' : dates, 'Animal' : animals})
df[r'Born in 2020?'] = df['DoB'].apply(lambda x: x.year == 2020)

# 步骤1：标记每组中最早的记录
df['is_earliest'] = df.groupby('Animal')['DoB'].transform(lambda x: x == x.min())

# 步骤2：计算每个动物组的"是否有2020年出生记录"标记
group_flag = df.groupby('Animal')['Born in 2020?'].any().reset_index(name='Duplicate born in 2020?')

# 步骤3：筛选最早记录并合并标记
result_df = df[df['is_earliest']].merge(group_flag, on='Animal')

# 步骤4：删除不需要的列并调整顺序
result_df = result_df.drop(columns=['Born in 2020?', 'is_earliest'])[['DoB', 'Animal', 'Duplicate born in 2020?']]
print(result_df)

代码解释： #

• transform(lambda x: x == x.min())：给每组中最早的记录标记为True，其他为False
• groupby('Animal')['Born in 2020?'].any()：单独计算每个组的标记结果
• merge(group_flag, on='Animal')：把标记结果合并到筛选出的最早记录行中
• 最后清理多余列，调整列顺序到需求格式

两种方案运行后都会得到你期望的结果：

内容的提问来源于stack exchange，提问作者George