将重复键上的 pandas 数据框与其他列上的某些条件合并

Question

正如标题所示，我想合并两个 Pandas 数据集，其中两个数据集都有重复的键，但也考虑其他列（在本例中为日期列）上的特定条件。我有这两个数据集：

数据集A：

身份证	事实	等级	事实日期
1	酗酒	专家	2024-01-23
1	焦虑症	专家	2024-01-23
1	抑郁症	顾问	2024-02-15

数据集B：

身份证	用户	行动日期
1	AA	2024-01-23
1	BB	2024-02-17

我想这样组合：

数据集AB：

身份证	事实	等级	事实日期	用户	行动日期
1	酗酒	专家	2024-01-23	AA	2024-01-23
1	焦虑症	专家	2024-01-23	AA	2024-01-23
1	抑郁症	顾问	2024-02-15	BB	2024-02-17

我想合并事实日期不晚于操作日期的行。但正如您在合并数据库的第三行中看到的那样，它将采用最接近的事实日期的数据（因此 BB 而不是 AA，即使 1 月 23 日早于 2 月 17 日）。

如果大萧条的事实日期是2月18日（2月17日之后），那么通过左侧合并，它将返回第三个表的空信息。

数据集 AB（如果抑郁症的事实日期为 2 月 18 日）：

身份证	事实	级别	事实日期	用户	行动日期
1	酗酒	专家	2024-01-23	AA	2024-01-23
1	焦虑症	专家	2024-01-23	AA	2024-01-23
1	抑郁症	顾问	2024-02-18

任何帮助表示赞赏！

Answer 1

1. 将数据框与

   how='left'

   ;
合并
2. 仅保留

   User

   和

   Action date

   的值，其中

   Action Date >= Fact Date

   ;
3. 对行进行排序后删除重复项以保留

   Action date

   的最新日期。

df = pd.merge(df1, df2, on=["ID"], how="left")
df[["Action date", "User"]] = df.loc[
    df["Action date"] >= df["Fact date"], ["Action date", "User"]
]
df = df.sort_values("Action date").drop_duplicates(["ID", "Fact", "Level", "Fact date"])

对于

Fact == Depression

和

Fact Date == 2024-02-15

：

   ID              Fact       Level  Fact date User Action date
0   1     Alcohol abuse  Specialist 2024-01-23   AA  2024-01-23
2   1  Anxiety disorder  Specialist 2024-01-23   AA  2024-01-23
5   1        Depression     Advisor 2024-02-15   BB  2024-02-17

对于

Fact == Depression

和

Fact Date == 2024-02-18

：

   ID              Fact       Level  Fact date User Action date
0   1     Alcohol abuse  Specialist 2024-01-23   AA  2024-01-23
2   1  Anxiety disorder  Specialist 2024-01-23   AA  2024-01-23
4   1        Depression     Advisor 2024-02-18  NaN         NaT