Python列筛选子字符串

我在python3中有一个使用pandas的数据框，它有一个包含日期字符串的列

这是列的子集

ColA
"2021-04-03"
"2021-04-08"
"2020-04-12"
"2020-04-08"
"2020-04-12"

我想删除两次具有相同月份和日期的行，并保留具有最新年份的行

这将是我期望从这个子集得到的结果

ColA
"2021-04-03"
"2021-04-08"
"2020-04-12"

因2020-04-12和2020-04-08而删除的最后两行的日期已在2021年

---

我曾想过使用apply和lambda来实现这一点，但我真正的数据帧有数百行和数十列，因此效率不高。有更有效的方法吗？

有几种方法可以做到这一点。其中一种方法是提取年份，按年份排序，并删除具有重复的月-日对的行

# separate year and month-day pairs
df['year'] = df['ColA'].apply(lambda x: x[:4])
df['mo-day'] = df['ColA'].apply(lambda x: x[5:])
df.sort_values('year', inplace=True)
print(df)

这是分离和排序后的外观：

         ColA  year mo-day
2  2020-04-12  2020  04-12
3  2020-04-08  2020  04-08
4  2020-04-12  2020  04-12
0  2021-04-03  2021  04-03
1  2021-04-08  2021  04-08

之后，我们只需删除重复项并删除附加列：

# drop duplicate month-day pairs
df.drop_duplicates('mo-day', keep='first', inplace=True)

# get rid of the two columns
df.drop(['year','mo-day'], axis=1, inplace=True)

# since we dropped duplicate, reset the index
df.reset_index(drop=True, inplace=True)
print(df)

最终结果：

         ColA
0  2020-04-12
1  2020-04-08
2  2021-04-03

---

这比将整个列转换为datetime并提取日期要快得多，因为您正在按原样处理字符串。

我不确定您是否可以不使用“应用”来提取日期的相关部分进行分组，但如果您首先将该列转换为datetime类型，这会容易得多：

df = pd.DataFrame({'colA':
["2021-04-03",
"2021-04-08",
"2020-04-12",
"2020-04-08",
"2020-04-12"]})

df['colA'] = df.colA.apply(pd.to_datetime)

然后，您可以按（天、月）分组并保持最高值，如下所示：

df.groupby(df.colA.apply(lambda x: (x.day, x.month))).max()

---

是的，这就是我一直在寻找的，但不幸的是，当我在我的数据框上应用你的答案时，只有2020年的日期出来了，我希望2021年的日期作为优先权，然后如果它不存在，就取2020年的日期，它必须存在。我们的答案是正确的，只是它应该是max（）而不是first（）。也许你可以编辑你的帖子，这样我就可以接受你的回答，而且你的预期结果似乎不正确；你想保留最老的年份，所以你应该保留2020-04-08，而不是2021-04-08，等等。是的，你是对的，我更新了问题对不起。。。