Deduplizierung eines Pandas-Datenrahmens und Aufnahme des neuesten Datensatzes

Question

Ich habe einen Datenrahmen mit Duplikaten und Aktualisierungsdaten. Startdatum:

Was ich suche ist eine Möglichkeit, Duplikate zu entfernen und den neuesten Datensatz zu nehmen. Ich weiß über drop_duplicates(), aber das löscht nur die Zeilen, die 100% identisch sind. So würde die gewünschte Ausgabe wie folgt aussehen:

Ich habe versucht, Dinge wie diese:

grouped = df.groupby(['First Name', 'Middle Name','Last Name','Job Title','Active','Contractor']) 
new_data = grouped['Update Date'].agg(np.max).to_frame().reset_index() 

Aber es muss sein, einen besseren Weg, dies zu tun, als dann durch jede Spalte Gruppieren der max von der Einnahme Neues Datum. Was wäre, wenn ich nach bestimmten Spalten gruppieren und das maximale Aktualisierungsdatum nehmen möchte. ABER nehmen Sie auch die anderen Spalten, die nicht gruppiert wurden.

Zum Beispiel Gruppierung von First, Middle und Nachname und immer noch die gesamte Aufzeichnung des neuesten Datensatzes.

Input:

gewünschte Ausgabe.

Danke!

Answer 1

Ungeachtet meines Kommentars können Sie zuerst den gesamten Datenrahmen bestellen und dann die erste Zeile jeder Gruppe übernehmen.

df = df.sort_values('Update Date', ascending=False) 
df.groupby(['First Name', 'Middle Name','Last Name']).first().reset_index() 

Answer 2

drop_duplicates nimmt subset Argument:

ident_fields = ['First Name', 'Middle Name','Last Name'] 
df = (df.sort_values('Update Date') 
     .drop_duplicates(subset=ident_fields, keep='last'))