公司数据格式

Question

我有以下数据集：

EID	CLEAN_NAME	Start_Date	End_Date
A111	ABC	2003-11-01	2005-12-31
A111	DEF	2005-12-01	2007-08-31
A111	GHI	2007-09-01	2012-01-31
A111	GHI	2012-01-01	2013-05-31
A111	JKL	2013-06-01	2015-03-31
A111	MNO	2015-04-01	2016-04-30
A111	GHI	2016-04-18	2017-11-07
A111	GHI	2017-11-01	NaT

以下是预期的结果：

EID	CLEAN_NAME	Start_Date	End_Date
A111	ABC	2003-11-01	2005-12-31
A111	DEF	2005-12-01	2007-08-31
A111	GHI	2007-09-01	2013-05-31
A111	JKL	2013-06-01	2015-03-31
A111	MNO	2015-04-01	2016-04-30
A111	GHI	2016-04-18

我在这里尝试做的是让公司根据 EID 和 CLEAN_NAME 汇总公司数据，并取 Start_Date 的最小值和 End_Date 的最大值。如果我对 GHI 公司进行简单聚合，则 Start_Date 的最小值为 2007-09-01，End_Date 的最大值为 2017-11-07，这是不正确的。

基本上我想将 GHI 公司分开，因为它们是两个不同的数据。我知道我可能必须对 EID、CLEAN_NAME 和 Start_Date 和 End_Date 使用嵌套的 for 循环来比较每一行之间的数据，但我似乎无法让它工作，因为我无法理解实现它的用法和逻辑循环。这是我开始的（虽然不多，但仍然......）：

   for i in df['EID']:
        for j in df['CLEAN_NAME']:
             if j == j-1
        for k in df['Start_Date']:
             print(df['EID'])

这只是一个检查嵌套 for 循环如何工作的示例（它没有这样做，因为如果 j == j-1，我在行中遇到错误）。我是 python 新手，仍在试图弄清楚事情是如何工作的。

另请注意，数据集已根据 EID、Start_date、End_date 和 CLEAN_NAME 进行了排序。所以基本上我必须将连续重复行与 Start_date 的 min 和 End_date 的 max 以及 Start_date 和 End_date 的 min 为 NULL 的最后一个公司合并，因为它表明该员工目前在这家公司工作..

任何线索将不胜感激。！

Answer 1

嗯，这是一种不使用循环的解决方案。

df['groups'] = (df['CLEAN_NAME'].ne(df['CLEAN_NAME'].shift())).cumsum()
df = df.groupby(["groups"]).agg({"EID": "first", "CLEAN_NAME": "first", "Start_Date": min, "End_Date": max}).reset_index()
print(df[["EID", "CLEAN_NAME", "Start_Date", "End_Date"]])

在这种方法中，我们创建了具有相同 CLEAN_NAME 且连续出现的行组。然后，根据组聚合 df。

输出如下所示

    EID CLEAN_NAME  Start_Date    End_Date
0  A111        ABC  2003-11-01  2005-12-31
1  A111        DEF  2005-12-01  2007-08-31
2  A111        GHI  2007-09-01  2013-05-31
3  A111        JKL  2013-06-01  2015-03-31
4  A111        MNO  2015-04-01  2016-04-30
5  A111        GHI  2016-04-18         NaT

这对你有用吗？