基于多列值清理DataFrame：保留用户最早完成状态记录

原始数据 #

需求 #

针对每个name与email的组合，仅保留completed字段为“yes”的最早date记录。

预期结果 #

用户尝试的代码及问题 #

用户原本的代码：

df = df.sort_values('date')
df = df.groupby('date').first()

这段代码存在两个问题：

• 错误地按date分组，而非按email和name的组合分组
• 分组后会将date设为索引，不符合输出格式要求

正确解决方案 #

方法一：保留原索引 #

import pandas as pd

# 先过滤出completed为yes的记录
df_filtered = df[df['completed'] == 'yes']
# 将date转换为datetime类型，确保时间排序正确
df_filtered['date'] = pd.to_datetime(df_filtered['date'], format='%d-%m-%Y %H:%M:%S')
# 按email和name分组，获取每组最早date的行索引
earliest_indices = df_filtered.groupby(['email', 'name'])['date'].idxmin()
# 提取对应行，保留原索引
result = df_filtered.loc[earliest_indices]
# 恢复date列的原始字符串格式（可选）
result['date'] = result['date'].dt.strftime('%d-%m-%Y %H:%M:%S')

方法二：重置索引（更简洁） #

import pandas as pd

# 转换date为datetime类型
df['date'] = pd.to_datetime(df['date'], format='%d-%m-%Y %H:%M:%S')
# 过滤后排序，按email和name分组取第一条，重置索引避免分组列为索引
result = df[df['completed'] == 'yes'].sort_values('date').groupby(['email', 'name']).first().reset_index()
# 恢复date的字符串格式
result['date'] = result['date'].dt.strftime('%d-%m-%Y %H:%M:%S')

两种方法都能得到符合预期的结果，且不会改变需求中的列结构。

内容的提问来源于stack exchange，提问作者User277883