如何基于分组与日期一致性批量标记“同月”标识-Python教程-PHP中文网

如何基于分组与日期一致性批量标记“同月”标识

本文介绍使用 Pandas 对数据按 Code 分组后，识别同一组内 Date 完全重复的记录，并将对应行的 Same_Month 字段统一设为 'Yes' 的高效实现方法。

本文介绍使用 pandas 对数据按 `code` 分组后，识别同一组内 `date` 完全重复的记录，并将对应行的 `same_month` 字段统一设为 `'yes'` 的高效实现方法。

在实际数据分析中，常需根据业务逻辑对重复模式进行标记——例如：当同一 Code 下多个条目具有完全相同的日期（精确到日），则视为“同日发生”，需统一打标（如 Same_Month='Yes'）。注意，此处“same_month”命名虽含“month”，但根据题意和示例，实际判定依据是日期值完全一致（即 Date 字段标准化后的完整日期相同），而非仅月份相同。

✅ 解决思路

核心逻辑分三步：

统一日期格式：将原始 Date 列解析为标准 datetime64[ns] 类型，消除 '2023-01-02'、'01/16/2023'、'26/11/2018' 等多格式干扰；
识别组内重复日期：使用 duplicated(subset=['Code', 'Date'], keep=False) 标记所有在相同 Code 下 Date 值出现 ≥2 次的行（keep=False 保证所有重复项均被标记为 True）；
批量赋值：利用布尔索引 df.loc[condition, col] = value，仅更新匹配行的 Same_Month 字段。

? 完整代码实现

import pandas as pd

# 构建原始数据
df = pd.DataFrame([
    [1,'2023-01-02 00:00:00','01','2023',''],
    [2,'2023-01-02 00:00:00','01','2023',''],
    [3,'01/16/2023','01','2023',''],
    [4,'01/17/2023','01','2023',''],
    [5,'01/16/2023','01','2023',''],
    [6,'02/13/2023','02','2023',''],
    [7,'02/13/2023','02','2023',''],
    [8,'02/13/2023','02','2023',''],
    [9,'26/11/2018','11','2018',''],
    [10,'26/11/2018','11','2018',''],
    [11,'26/11/2018','11','2018',''],
    [12,'26/11/2018','11','2018',''],
    [13,'05/11/2018','11','2018',''],
    [14,'09/11/2018','11','2018','']
], columns=['Number','Date','Code','year','Same_Month'])

# 步骤1：强转日期（自动适配混合格式）
df['Date'] = pd.to_datetime(df['Date'], format='mixed')

# 步骤2：识别 Code+Date 组合下的重复行（所有重复项均标记为 True）
duplicates = df.duplicated(['Code', 'Date'], keep=False)

# 步骤3：批量更新 Same_Month 字段
df.loc[duplicates, 'Same_Month'] = 'Yes'

# 查看结果（仅展示关键列便于验证）
print(df[['Number', 'Date', 'Code', 'year', 'Same_Month']])

⚠️ 注意事项

format='mixed' 是 Pandas 2.0+ 推荐方式，可稳健解析多种常见日期格式；若使用旧版 Pandas，可改用 infer_datetime_format=True 或显式指定 format（但需确保格式统一）；
duplicated(..., keep=False) 是关键：若用默认 keep='first'，则仅标记重复项中的后续行，首行会被忽略，导致漏标；
原始 Same_Month 列若含非空字符串（如 'No' 或其他标记），上述代码仅覆盖 True 行，其余保持原值；如需清空非重复项，可先初始化：df['Same_Month'] = ''；
本方案不依赖 groupby().transform()，避免了聚合开销，性能更优，尤其适用于大数据集。