Pandas DataFrame如何按行匹配所属流程最近Begin状态日期
错误原因
原有代码出现值错配、NaT空值的核心原因是:Pandas 2.0+版本中,groupby.apply返回带双层层级索引的结果,赋值给原表列时无法完成正确的索引对齐,和流程断档的逻辑本身无关——你写的“遇到Begin就切分新流程周期”的逻辑是完全正确的。
修正实现
方法1:拆分分组步骤,彻底规避索引错位
import pandas as pd # 按名称分组,为每个流程周期做标记:每遇到一次Begin,流程计数加1 df['flow_segment'] = df.groupby('name')['status'].transform( lambda s: (s == 'Begin').cumsum() ) # 按名称+流程周期双维度分组,取每个周期的最早日期作为全周期的begin_at df['begin_at'] = df.groupby(['name', 'flow_segment'])['date'].transform('first') # 删除临时流程标记列 df = df.drop(columns='flow_segment')
这种写法每一步返回的都是和原表同索引的Series,不会出现值匹配错位的问题。
方法2:单行简洁写法
不需要单独生成临时标记列,直接组合分组条件:
df['begin_at'] = df.groupby( ['name', (df['status'].eq('Begin')).groupby(df['name']).cumsum()] )['date'].transform('first')
运行结果
输出完全匹配流程关联逻辑:
date name status begin_at 0 2020-10-01 name_01 Begin 2020-10-01 1 2020-10-02 name_02 Begin 2020-10-02 2 2020-10-03 name_01 Processing 2020-10-01 3 2020-10-05 name_02 Processing 2020-10-02 4 2020-10-06 name_03 Begin 2020-10-06 5 2020-10-07 name_01 Finished 2020-10-01 6 2020-10-08 name_02 Finished 2020-10-02 7 2020-10-09 name_03 Processing 2020-10-06 8 2020-10-10 name_03 Finished 2020-10-06 9 2020-10-11 name_01 Begin 2020-10-11 10 2020-10-12 name_01 Processing 2020-10-11 11 2020-10-13 name_02 Begin 2020-10-13 12 2020-10-14 name_02 Processing 2020-10-13 13 2020-10-15 name_02 Finished 2020-10-13 14 2020-10-16 name_01 Finished 2020-10-11
说明:你之前贴的期望输出中残留了旧版本测试的错值(比如name_02首次Processing记录的begin_at误写为2020-10-01),上述输出严格遵循“每个流程段关联其起始Begin日期”的规则,完全符合“同名称下取所属周期最新一次Begin日期”的核心需求。
内容的提问来源于stack exchange,提问作者Des
相关产品推荐
相关产品推荐

