Python bekommen Mindestdatum

Question

Ich habe eine Datenstruktur, die ich Pandas verwende, wo ich die Mindestdaten für einen Plan bekomme. So sieht die Datenstruktur, wie unten

Engagement ID  Plan Start Date 
A     17-7-2017 
A     18-7-2017 
A     20-7-2017 

ich diese

zu erreichen versuchen

Engagement ID  Plan Start Date Earliest Plan start date 
A     17-7-2017   17-7-2017 
A     18-7-2017   17-7-2017 
A     20-7-2017   17-7-2017 

ich in der Lage war, es zu tun wie dies

engagement_df_earliest_plan_date = engagement_df.loc[engagement_df.groupby('Engagement Id', sort=False)['Plan Start Date'].idxmin()] 
engagement_df_earliest_plan_date = engagement_df_earliest_plan_date[['Engagement Id','Plan Start Date']]; 
engagement_df_earliest_plan_date = engagement_df_earliest_plan_date.rename(columns={'Plan Start Date': 'Earliest Plan Start Date'}); 

aber ich fühle mich nicht elegant genug und fragte mich, ob es einen besseren Weg gibt, Dinge zu tun?

Answer 1

Lassen Sie sich eine etwas größere Probe verwenden -

df 

    Engagement ID Plan Start Date 
0    A  17-7-2017 
1    A  18-7-2017 
2    A  20-7-2017 
3    B  21-7-2017 
4    B  22-7-2017 
5    C  29-7-2017 
6    C  30-7-2017 

Bei Bedarf konvertieren Datetime mit pd.to_datetime -

df['Plan Start Date'] = pd.to_datetime(df['Plan Start Date'], errors='coerce') 

, nun dem gewünschten Ausgabe zu erhalten, groupby die erste Spalte und transform mit in Bezug auf die first Reihe in jeder Gruppe -

df['Earliest Plan Start Date'] = \ 
     df.groupby("Engagement ID")['Plan Start Date'].transform('first') 
df 

    Engagement ID Plan Start Date Earliest Plan Start Date 
0    A  2017-07-17    2017-07-17 
1    A  2017-07-18    2017-07-17 
2    A  2017-07-20    2017-07-17 
3    B  2017-07-21    2017-07-21 
4    B  2017-07-22    2017-07-21 
5    C  2017-07-29    2017-07-29 
6    C  2017-07-30    2017-07-29 

Dies ist jedoch möglicherweise nicht ideal, da das erste Datum möglicherweise nicht immer das kleinste ist. Zu diesem Zweck können Sie eine etwas andere Alternative betrachten, mit nsmallest + map -

v = df.groupby("Engagement ID", group_keys=False)['Plan Start Date'].nsmallest(1) 
v.index = v.index.droplevel(1) 

df['Earliest Plan Start Date'] = df['Engagement ID'].map(v) 

Oder

df['Earliest Plan Start Date'] = df['Engagement ID'].replace(v) 

df 

    Engagement ID Plan Start Date Earliest Plan Start Date 
0    A  2017-07-17    2017-07-17 
1    A  2017-07-18    2017-07-17 
2    A  2017-07-20    2017-07-17 
3    B  2017-07-21    2017-07-21 
4    B  2017-07-22    2017-07-21 
5    C  2017-07-29    2017-07-29 
6    C  2017-07-30    2017-07-29 

Nun garantieren Ihnen das früheste Datum . Beachten Sie, dass v wie folgt aussieht -

v 

Engagement ID 
A 2017-07-17 
B 2017-07-21 
C 2017-07-29 
Name: Plan Start Date, dtype: datetime64[ns]