Python的Group-By技术与SQL-partition-By技术的比较

我想问一个概念性的问题

我有一张看起来像的桌子

UPC_CODE    A_PRICE     A_QTY    DATE       COMPANY_CODE    A_CAT
 1001        100.25       2     2021-05-06      1             PB
 1001        2122.75      10    2021-05-01      1             PB
 1002        212.75       5     2021-05-07      2             PT
 1002        3100.75      10    2021-05-01      2             PB

我希望对于每个UPC_代码和公司代码，都应该获取最新的数据

为了实现这一点，我使用了SQL和Python

使用SQL：

WITH cte AS (
SELECT *, ROW_NUMBER() OVER (PARTITION BY UPC_CODE, COMPANY_CODE ORDER BY DATE DESC) rn
FROM yourTable)

SELECT UPC_CODE, A_PRICE, A_QTY, DATE, COMPANY_CODE, A_CAT
FROM cte
WHERE rn = 1;

使用Python：

df = df.groupby(['UPC_CODE','COMPANY_CODE']).\
     agg(Date = ('DATE','max'),A_PRICE = ('A_PRICE','first'),\
     A_QTY = ('A_QTY','first'),A_CAT = ('A_CAT','first').reset_index()

理想情况下，我应该得到以下结果表：

UPC_CODE    A_PRICE     A_QTY    DATE       COMPANY_CODE    A_CAT
 1001        100.25       2     2021-05-06      1             PB
 1002        212.75       5     2021-05-07      2             PT

然而，使用SQL我得到了上述信息，但Python不是这样

---

我在这里遗漏了什么？

upc\u code

和

date

列可能与

rank（method='first'，升序=False）

一起使用，例如，在确定第一行时按降序应用

dataframe.groupby（）

函数在将

date

列转换为datetime后，在Python中键入，以便筛选出

df['rn']
1对应的行

df['date']=pd.to_datetime（df['date']）
df['rn']=df.groupby（'upc_code'）['date'].rank（method='first'，升序=False）
打印（df[df['rn']==1]）
@Vahram Daniyen:请详细说明。