如何知道记录是否已更新日期

Question

我想知道一条记录是否在pandas数据框中更新了日期。数据帧由几个列组成，其中对于A的每个值，我们都有几个值​​B的开始日期和结束日期。由于时间戳，我们可以知道是否有新记录或以前的记录已被修改。

我想知道的是，如何检查新记录的日期范围是否与其组中的其他记录(例如B1组(接近，如果它们的日期范围相似，则删除前一个记录，只更新新记录，但如果它没有可解释为新记录的通用范围。

例如，

输入数据帧：

开始>时间戳<2021-05-27>>>

A	B	结束
A1	B1	2021-05-10 00:00:00	2021-05-15 00:00:00[/td>
A1	B1	2021-05-12 00:00:00	2021:05-30 00:00:00		2021-04-15 00:00:00[/td>
A1	B1	2021-05-10 00:00:00	2021:05-12 00:00:00		2021-03-15 00:00:00[/td>
A1	B2	2021-06-02 00:00:00	2021:06-04 00:00:00		2021-02-15 00:00:00[/td>
A2	B3	2021-01-01 00:00:00	2022-01-01 00:00:00	2021-05-15 00:00:00
A2	B3	2021-07-15 00:00:00	2021:08-15 00:00:000	2021-04-15 00:00:00
A2	B4	2021-05-30 00:00:00	2021:06-15 00:00:00		2021-05-15 00:00:000
A2	B4	2021-06-02 00:00:00	2021:06-17 00:00:00		2021-04-15 00:00:00[/td>

我不确定"关闭"日期范围的确切含义，所以这个答案与问题中列出的输出不完全匹配。

出于演示目的，我制作了一个名为data.csv的csv文件，其中包含您问题中的数据

A,B,Start,End,Timestamp
A1,B1,2021-05-10 00:00:00,2021-05-27 00:00:00,2021-05-15 00:00:00
A1,B1,2021-05-12 00:00:00,2021-05-30 00:00:00,2021-04-15 00:00:00
A1,B1,2021-05-10 00:00:00,2021-05-12 00:00:00,2021-03-15 00:00:00
A1,B2,2021-06-02 00:00:00,2021-06-04 00:00:00,2021-02-15 00:00:00
A2,B3,2021-01-01 00:00:00,2022-01-01 00:00:00,2021-05-15 00:00:00
A2,B3,2021-07-15 00:00:00,2021-08-15 00:00:00,2021-04-15 00:00:00
A2,B4,2021-05-30 00:00:00,2021-06-15 00:00:00,2021-05-15 00:00:00
A2,B4,2021-06-02 00:00:00,2021-06-17 00:00:00,2021-04-15 00:00:00

一种方法可以是在B列中比较每组的时间差异。我们将从您在问题中提到的一组开始，即B列值等于"B1":

import pandas as pd
df = pd.read_csv("data.csv")
dff = df[df["B"] == "B1"]
>>> dff
A   B  ...                  End            Timestamp
0  A1  B1  ...  2021-05-27 00:00:00  2021-05-15 00:00:00
1  A1  B1  ...  2021-05-30 00:00:00  2021-04-15 00:00:00
2  A1  B1  ...  2021-05-12 00:00:00  2021-03-15 00:00:00
# Difference in number of days between start and end date
>>> (pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days
0    17
1    18
2     2
dtype: int64
# How does each time difference compare to the time difference in the first row
>>> (pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days.diff().fillna(0)
0     0.0
1     1.0
2   -16.0
dtype: float64
# Filter where the number of days difference compared to the first row is less than 7 
>>> abs((pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days.diff().fillna(0)) < 7
0     True
1     True
2    False
dtype: bool
# Filter dff based on earlier condition
>>> dff[abs((pd.to_datetime(dff.End) - pd.to_datetime(dff.Start)).dt.days.diff().fillna(0)) < 7]
A   B                Start                  End            Timestamp
0  A1  B1  2021-05-10 00:00:00  2021-05-27 00:00:00  2021-05-15 00:00:00
1  A1  B1  2021-05-12 00:00:00  2021-05-30 00:00:00  2021-04-15 00:00:00

上面我们只比较了B列的一组。要对所有组执行上面所做的操作，我们可以在B列上使用groupby。然后我们可以遍历每个组，并使用前面提到的过滤器过滤每个组。过滤完所有组后，这些过滤后的组可以包含在列表中并连接在一起。

df = pd.concat([
group[
abs(
(pd.to_datetime(group.End) - pd.to_datetime(group.Start))
.dt.days.diff()
.fillna(0)
)
< 7
]
for name, group in df.groupby("B")
])
>>> df
A   B                Start                  End            Timestamp
0  A1  B1  2021-05-10 00:00:00  2021-05-27 00:00:00  2021-05-15 00:00:00
1  A1  B1  2021-05-12 00:00:00  2021-05-30 00:00:00  2021-04-15 00:00:00
3  A1  B2  2021-06-02 00:00:00  2021-06-04 00:00:00  2021-02-15 00:00:00
4  A2  B3  2021-01-01 00:00:00  2022-01-01 00:00:00  2021-05-15 00:00:00
6  A2  B4  2021-05-30 00:00:00  2021-06-15 00:00:00  2021-05-15 00:00:00
7  A2  B4  2021-06-02 00:00:00  2021-06-17 00:00:00  2021-04-15 00:00:00

根据你的需要调整亲密度。我用这里的天数来衡量，但你可以用不同的天数。您可以使用秒、微秒、纳秒等…查看Series文档以获取更多示例。