如何基于最大日期获取每个唯一Campaign的最新状态与d_cap值

原始数据集 #

date       campaign    status  d_cap
2019-10-07 campaign_1  start   400
2019-10-13 campaign_2  start   400
2019-10-14 campaign_1  change  1000
2019-10-14 campaign_2  change  800
2019-11-10 campaign_1  stop    0
2019-11-12 campaign_2  change  2000

期望输出 #

date       campaign    status  d_cap
2019-11-10 campaign_1  stop    0
2019-11-12 campaign_2  change  2000

这个需求很常见，用pandas的内置方法完全可以高效解决，根本不用写for loop，给你两种简洁又高效的方案：

方案一：用groupby + idxmax定位最新记录 #

这种方法直接找到每个campaign对应最大日期的行索引，再提取对应数据，逻辑清晰高效：

import pandas as pd

# 构造原始数据（如果你的数据已经是DataFrame，这步可以跳过）
data = {
    'date': ['2019-10-07', '2019-10-13', '2019-10-14', '2019-10-14', '2019-11-10', '2019-11-12'],
    'campaign': ['campaign_1', 'campaign_2', 'campaign_1', 'campaign_2', 'campaign_1', 'campaign_2'],
    'status': ['start', 'start', 'change', 'change', 'stop', 'change'],
    'd_cap': [400, 400, 1000, 800, 0, 2000]
}
df = pd.DataFrame(data)

# 先把date列转换成datetime类型，确保日期能正确比较大小
df['date'] = pd.to_datetime(df['date'])

# 按campaign分组，找到每组中date最大的行的索引
max_date_indices = df.groupby('campaign')['date'].idxmax()

# 根据索引筛选出最终结果
result = df.loc[max_date_indices].reset_index(drop=True)

print(result)

方案二：排序后去重，更直观简洁 #

这种方法先按campaign分组、date降序排序，然后保留每个campaign的第一行，代码更短：

import pandas as pd

data = {
    'date': ['2019-10-07', '2019-10-13', '2019-10-14', '2019-10-14', '2019-11-10', '2019-11-12'],
    'campaign': ['campaign_1', 'campaign_2', 'campaign_1', 'campaign_2', 'campaign_1', 'campaign_2'],
    'status': ['start', 'start', 'change', 'change', 'stop', 'change'],
    'd_cap': [400, 400, 1000, 800, 0, 2000]
}
df = pd.DataFrame(data)

df['date'] = pd.to_datetime(df['date'])

# 按campaign升序、date降序排序，然后保留每个campaign的第一条记录
result = df.sort_values(by=['campaign', 'date'], ascending=[True, False]) \
           .drop_duplicates(subset='campaign', keep='first') \
           .reset_index(drop=True)

print(result)

两种方案都是向量化操作，比for loop效率高得多，尤其是当数据集很大的时候，优势会非常明显。

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