企业数据筛选需求：提取近3年数据并优先选用audited类型

需求说明 #

现有企业数据包含字段：企业编号、企业名称、年份、审计类型、数值。需按以下规则处理：

• 针对每家企业，筛选出其最新3年的记录
• 同一年份下，优先保留audited（已审计）类型数据，舍弃provisional（临时）类型数据

示例输入 #

Sr no.  number   Company    year    type          value
0      223      abc        2015    audited       3
1      223      abc        2018    provisional   4
2      223      abc        2019    audited       5
3      223      abc        2019    provisional   6
4      223      abc        2020    audited       7
5      224      def        2017    provisional   8
6      224      def        2016    audited       9
7      224      def        2017    audited       10
8      224      def        2018    audited       11
9      224      def        2019    provisional   12

预期输出 #

number  Company    year type 
223     abc        2018 provisional
223     abc        2019 audited
223     abc        2020 audited
224     def        2017 audited
224     def        2018 audited
224     def        2019 provisional

实现方案（Python pandas） #

通过以下步骤实现需求：

1. 给审计类型设置优先级，audited权重高于provisional
2. 按企业分组，对每组数据先按年份降序、类型优先级降序排序
3. 每组内按年份去重，保留优先级高的记录
4. 筛选出每组最新的3个年份记录

代码实现：

import pandas as pd

# 构造示例数据
data = {
    'number': [223,223,223,223,223,224,224,224,224,224],
    'Company': ['abc','abc','abc','abc','abc','def','def','def','def','def'],
    'year': [2015,2018,2019,2019,2020,2017,2016,2017,2018,2019],
    'type': ['audited','provisional','audited','provisional','audited','provisional','audited','audited','audited','provisional'],
    'value': [3,4,5,6,7,8,9,10,11,12]
}
df = pd.DataFrame(data)

# 标记审计类型优先级
df['type_priority'] = df['type'].map({'audited': 2, 'provisional': 1})

# 排序并去重：同企业同年份保留优先级高的记录
df_sorted = df.sort_values(by=['number', 'year', 'type_priority'], ascending=[True, False, False])
df_deduplicated = df_sorted.drop_duplicates(subset=['number', 'year'], keep='first')

# 提取每组最新3年数据
result = df_deduplicated.groupby('number').head(3)

# 输出指定列
print(result[['number', 'Company', 'year', 'type']].to_string(index=False))

内容的提问来源于stack exchange，提问作者Sanket B.