按组合并连续衔接的DataFrame记录

原始数据 #

先构造你提供的DataFrame：

import pandas as pd

df = pd.DataFrame({
    'A': [1,2,1,2,2,2,2],
    'B': [2,2,2,2,2,3,3],
    'start_date': ['2022-01-01', '2022-02-02', '2022-01-11', '2022-02-06', '2022-02-11', '2022-01-14', '2022-01-19'],
    'end_date': ['2022-01-10', '2022-02-05', '2022-01-15', '2022-02-10', '2022-02-15', '2022-01-17', '2022-01-22'],
    'id': [1,2,3,4,5,6,7]
})

处理步骤 #

1. 转换日期列类型：把start_date和end_date转为datetime格式，方便做日期差值计算
2. 分组排序：按A、B字段分组，组内按start_date升序排列，确保记录按时间顺序处理
3. 标记连续组：在每个分组内，判断当前行的start_date是否等于上一行end_date的次日，若不满足则标记为新组
4. 聚合合并：按A、B和连续组标识聚合，取每组的第一个start_date、最后一个end_date和第一个id，最后重置结果的id列

完整代码 #

# 转换日期类型
df['start_date'] = pd.to_datetime(df['start_date'])
df['end_date'] = pd.to_datetime(df['end_date'])

# 按A、B分组并按日期排序
df_sorted = df.sort_values(['A', 'B', 'start_date']).reset_index(drop=True)

# 生成连续组标识
df_sorted['group'] = (
    (df_sorted['start_date'] != df_sorted.groupby(['A', 'B'])['end_date'].shift(1) + pd.Timedelta(days=1))
    .cumsum()
)

# 聚合得到合并后的结果
result = df_sorted.groupby(['A', 'B', 'group']).agg(
    start_date=('start_date', 'first'),
    end_date=('end_date', 'last'),
    id=('id', 'first')
).reset_index(drop=['group']).reset_index(drop=True)

# 重置id列匹配示例输出
result['id'] = result.index + 1

print(result)

输出结果 #

A  B start_date   end_date  id
0  1  2 2022-01-01 2022-01-15   1
1  2  2 2022-02-02 2022-02-15   2
2  2  3 2022-01-14 2022-01-17   3
3  2  3 2022-01-19 2022-01-22   4

内容的提问来源于stack exchange，提问作者Fissium