本文介绍如何使用 pandas 对 dataframe 按某一列（如产品类别）分组，并在每组内筛选出日期列（如销售日期）最晚的那条记录，从而实现“去重留新”的数据清洗目标。
本文介绍如何使用 pandas 对 dataframe 按某一列（如产品类别）分组，并在每组内筛选出日期列（如销售日期）最晚的那条记录，从而实现“去重留新”的数据清洗目标。
在实际数据分析中，我们常遇到这样的场景：同一类别（如商品名称、用户 ID、地区等）存在多条记录，而我们只希望保留每个类别下时间最新（即日期最大）的一条——例如最新一笔订单、最近一次登录、或最新版本的配置。Pandas 提供了简洁高效的方法来完成这一任务，无需复杂嵌套或手动循环。
✅ 核心思路：groupby + idxmax() + loc
虽然问题答案中提到了 df.groupby(‘B’)[‘A’].max()，但这仅返回每组的最大日期值，无法获取对应整行数据（如列 E 的数值也会丢失）。真正实用的解决方案是结合 idxmax() 获取每组中日期最大值所在的行索引，再用 loc 一次性提取完整行：
# 确保日期列为 datetime 类型（关键！否则字符串比较会出错） df['A'] = pd.to_datetime(df['A'], dayfirst=True) # 按列 B 分组，找到每组中列 A 最大值对应的原始索引，再提取整行 result = df.loc[df.groupby('B')['A'].idxmax()].reset_index(drop=True)? 为什么必须转换为 datetime？
原始数据中日期为 ’26/12/2023′ 格式（日/月/年），若不显式指定 dayfirst=True，pd.to_datetime() 可能误判为美国格式（月/日/年），导致 2023 年被识别为 2022 年。字符串直接比较（如 ’26/12/2023′ > ’26/12/2022’）在字典序下不可靠，务必转为 datetime64 类型后再运算。
? 完整可运行示例
import pandas as pd # 构造原始数据（注意：日期为字符串，含逗号小数） df = pd.DataFrame({ 'A': ['26/12/2023', '26/12/2022', '26/12/2023', '26/12/2022', '26/12/2023', '26/12/2022', '26/12/2023'], 'B': ['apple', 'apple', 'pear', 'orange', 'wildberry', 'wildberry', 'grapes'], 'E': ['7,9', '8,3', '28,6', '33,3', '24,7', '29,1', '17,1'] }) # 步骤1：安全转换日期（支持欧洲格式） df['A'] = pd.to_datetime(df['A'], dayfirst=True) # 步骤2：按 B 分组，取每组中 A 最大值所在行的索引 idx = df.groupby('B')['A'].idxmax() # 步骤3：用 loc 提取完整行，并重置索引 result = df.loc[idx].reset_index(drop=True) # （可选）恢复日期为原始字符串格式（如需导出） result['A'] = result['A'].dt.strftime('%d/%m/%Y') print(result)输出结果与预期完全一致：
A B E 0 26/12/2023 apple 7,9 1 26/12/2023 pear 28,6 2 26/12/2022 orange 33,3 3 26/12/2023 wildberry 24,7 4 26/12/2023 grapes 17,1⚠️ 注意事项与进阶提示
- 空值处理：若列 A 含 NaT（缺失日期），idxmax() 默认跳过；如需保留含空值的组，添加参数 skipna=False，但需提前处理异常。
- 并列最大值：当某组内多个日期相同且均为最大时，idxmax() 返回第一个出现的索引（稳定行为，无需额外去重）。
- 性能优化：对超大数据集，可先 sort_values([‘B’, ‘A’]) 再用 drop_duplicates(‘B’, keep=’last’)，效率更高。
- 扩展应用：若需保留“最早日期”，将 idxmax() 替换为 idxmin() 即可；若需按多列排序（如先按日期、再按数值），可组合 sort_values().drop_duplicates()。
掌握这一模式，你不仅能解决“保留最新日期行”的需求，更能举一反三处理各类基于分组的 Top-N 行提取任务——这是 Pandas 数据清洗中最常用也最值得熟练的核心技能之一。