如何用Pandas按组计算两列的最大/最小值差值

原始数据集 #

需求 #

按group_id分组，计算每组max(to_date) - min(from_date)的天数差，期望结果如下：

遇到的问题 #

使用以下代码能正确计算时长，但返回的是包含5行的未分组DataFrame：

groupby(["group_id"])
  .apply(lambda x: x.assign(duration_days=(np.max(x["to_date"])-np.min(x["from_date"])).days))

尝试用aggregate方法，但不知道如何实现涉及两列的函数计算。

解决方案 #

方法1：agg自定义函数 #

直接在groupby后调用agg，传入自定义函数计算每组天数差，返回分组结果：

import pandas as pd
import numpy as np

# 假设df为原始DataFrame
result = df.groupby("group_id").agg(
    duration_days=lambda x: (x["to_date"].max() - x["from_date"].min()).days
).reset_index()

方法2：先聚合关键日期再计算 #

先分别提取每组的最小from_date和最大to_date，再计算天数差，可读性更强：

agg_df = df.groupby("group_id").agg(
    min_from=("from_date", "min"),
    max_to=("to_date", "max")
)
agg_df["duration_days"] = (agg_df["max_to"] - agg_df["min_from"]).days
result = agg_df.drop(columns=["min_from", "max_to"]).reset_index()

方法3：修正apply返回值 #

若坚持用apply，可让其只返回每组的计算结果，而非给每行赋值：

result = df.groupby("group_id").apply(
    lambda x: pd.Series({"duration_days": (x["to_date"].max() - x["from_date"].min()).days})
).reset_index()

以上方法均可得到目标分组结果，其中方法2的可读性最优，便于后续维护。

内容的提问来源于stack exchange，提问作者nlassaux