匹配双数据集相同ID，筛选满足日期差<21天的最近日期记录并标记

df1（id唯一） #

df2（存在重复id） #

匹配两个数据集中的相同id，为每个匹配到的id选择df2中与df1的date1日期差最小的date2；若该日期差小于21天，new_col标记为1，否则标记为0。预期结果如下：

预期结果 #

import pandas as pd

# 初始化数据集
df1 = pd.DataFrame({
    'id': [1,2,3,5,6],
    'date1': ['5/26/2022','9/15/2021','12/22/2021','1/19/2022','1/11/2022']
})
df2 = pd.DataFrame({
    'id': [3,3,4,4,5,6,6,6,7,8],
    'date2': ['5/10/2022','5/26/2022','11/28/2020','12/18/2021','1/19/2022','12/11/2021','1/13/2022','2/01/2022','12/08/2020','12/08/2020']
})

# 转换日期列为datetime类型
df1['date1'] = pd.to_datetime(df1['date1'])
df2['date2'] = pd.to_datetime(df2['date2'])

# 合并数据集，保留共同id的所有组合
merged = pd.merge(df1, df2, on='id', how='inner')

# 计算日期差绝对值（单位：天）
merged['date_diff'] = abs(merged['date1'] - merged['date2']).dt.days

# 按id分组，筛选出每组日期差最小的行
result = merged.loc[merged.groupby('id')['date_diff'].idxmin()]

# 生成new_col标记
result['new_col'] = (result['date_diff'] < 21).astype(int)

# 整理输出列并格式化日期显示
result = result[['id', 'date1', 'date2', 'new_col']]
result['date1'] = result['date1'].dt.strftime('%m/%d/%Y')
result['date2'] = result['date2'].dt.strftime('%m/%d/%Y')

print(result)

内容的提问来源于stack exchange，提问作者Hasan