基于PropertyYearBuilt筛选最邻近PipeYear的DataFrame数据

需求说明 #

需要对居民区供水项目的DataFrame进行子集化筛选，核心规则为：

• 针对每个PropertyYearBuilt（住宅建成年份），保留两行数据
• 一行对应紧邻且早于该年份的PipeYear（管道建造年份），且是所有早年管道中最接近住宅年份的
• 另一行对应紧邻且晚于该年份的PipeYear，且是所有晚年管道中最接近住宅年份的
• 若某个PropertyYearBuilt不存在符合条件的早年/晚年管道，则该年份的对应行直接排除

原始数据示例 #

PipeID  PricePipe   PipeYear PropertyYearBuilt  Distance_to_property
a       500         2010     2013               1.5
b       600         2007     2008               2.5
c       700         2009     2000               3.0
d       800         1998     1972               4.2
e       900         2003     1980               4.5
f       200         2014     1985               5.0
g       100         2011     1990               5.5
h       850         2018     1995               7.0

期望输出示例 #

（排除无法匹配到邻近年份的行，如a、h）

PipeID  PricePipe   PipeYear PropertyYearBuilt  Distance_to_property
b       600         2007     2008               2.5
c       700         2009     2008               3.0
d       800         1998     2000               4.2
e       900         2003     2000               4.5
f       200         2014     2013               5.0
g       100         2011     2013               5.5

实现方案（基于Pandas） #

步骤说明 #

1. 计算每个管道年份与对应住宅年份的差值，区分早于/晚于的情况
2. 按PropertyYearBuilt分组，分别筛选出每个分组中最接近的早年和晚年管道
3. 合并筛选结果并整理格式

代码实现 #

import pandas as pd

# 构造原始DataFrame（实际使用时可替换为读取你的数据源）
data = {
    'PipeID': ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'],
    'PricePipe': [500, 600, 700, 800, 900, 200, 100, 850],
    'PipeYear': [2010, 2007, 2009, 1998, 2003, 2014, 2011, 2018],
    'PropertyYearBuilt': [2013, 2008, 2000, 1972, 1980, 1985, 1990, 1995],
    'Distance_to_property': [1.5, 2.5, 3.0, 4.2, 4.5, 5.0, 5.5, 7.0]
}
df = pd.DataFrame(data)

# 计算年份差值：PipeYear - PropertyYearBuilt
df['year_diff'] = df['PipeYear'] - df['PropertyYearBuilt']

# 筛选每个住宅年份对应的最接近早年管道（差值为负，取最大的差值即最接近）
earlier_pipes = df[df['year_diff'] < 0].groupby('PropertyYearBuilt').apply(
    lambda x: x.loc[x['year_diff'].idxmax()]
).reset_index(drop=True)

# 筛选每个住宅年份对应的最接近晚年管道（差值为正，取最小的差值即最接近）
later_pipes = df[df['year_diff'] > 0].groupby('PropertyYearBuilt').apply(
    lambda x: x.loc[x['year_diff'].idxmin()]
).reset_index(drop=True)

# 合并结果、排序并清理冗余列
result = pd.concat([earlier_pipes, later_pipes])\
    .sort_values('PropertyYearBuilt')\
    .drop(columns='year_diff')\
    .reset_index(drop=True)

# 输出结果
print(result)

内容的提问来源于stack exchange，提问作者Xaviermoros