按动态生成的值(最新日期)筛选pandas数据帧中的行

Question

我有一个包含时事通讯类型、时事通讯名称、时事通讯发布日期和电子邮件的数据集。每次启动都要经过许多行，因为收到时事通讯启动的每个电子邮件地址都有自己的一行。

所有的时事通讯都至少有一次发布，但有些时事通讯有很多次发布。我想要清理我的数据集，以便我只拥有每个时事通讯的最新发布。然而，每个时事通讯的“最近”日期是不同的。

我一直在尝试按日期降序排序，然后去重并保留第一个值。

df = df.sort_values('timestamp',ascending=False)
df = df.drop_duplicates(subset='newsletter_type','newsletter_name','email'],keep="first")

因为这将保留最新发布的版本，并删除其余的版本。然而，我意识到，如果用户在10年前取消订阅了10份时事通讯，我的程序会将其视为一个“新”电子邮件地址，并保留它。

有什么好方法可以做到这一点吗？用伪SQL“说话”，我基本上想用一种方式来说

SELECT newsletter_type, newsletter_name, email FROM dataset WHERE launch_date = MAX(launch_date)。

编辑:示例数据。我不想要最下面的一行，但因为该电子邮件以前没有在此newsletter_name中看到过，所以重复数据消除将保留它。我想知道如何告诉熊猫们保持2020年9月7日的时事通讯“样本”，因为这是最新的。

campaign_name   newsletter name newsletter type email_md5   timestamp
test5   sample  A   123@    09/07/2020
test5   sample  A   456@    09/07/2020
test5   sample  A   789@    09/07/2020
test5   sample  A   012@    09/07/2020
test5   sample  A   345@    09/07/2020
test5   sample  A   new@    08/07/2020

EDIT2：

抱歉，我解释得不好。如果我对下面的数据集进行重复数据消除，我将获得7月5日的电子邮件地址数量= great，以及abcde@hotmail email address = bad的值。

我想要05/07时事通讯行为时事通讯A，和04/07时事通讯行为时事通讯B。我知道数字电子邮件地址将出现在两个newsletter_type变种。

Newsletter_type Launch_name Launch_date Email
            
A   5_July_newsletter   05/07/2020  12345@hotmail
A   5_July_newsletter   05/07/2020  67890@hotmail
A   5_July_newsletter   05/07/2020  55555@hotmail
A   1_January_newsletter    05/06/2020  12345@hotmail
A   1_January_newsletter    05/06/2020  67890@hotmail
A   1_January_newsletter    05/06/2020  55555@hotmail
A   1_January_newsletter    05/06/2020  abcde@hotmail
            
B   5_July_newsletter   04/07/2020  12345@hotmail
B   5_July_newsletter   04/07/2020  67890@hotmail
B   5_July_newsletter   04/07/2020  55555@hotmail
B   1_January_newsletter    04/06/2020  12345@hotmail
B   1_January_newsletter    04/06/2020  67890@hotmail
B   1_January_newsletter    04/06/2020  55555@hotmail
B   1_January_newsletter    04/06/2020  abcde@hotmail

Answer 1

我会按“发布日期”排序，并按“时事通讯名称”分组(如果这是一个人想要保存其中一个的唯一类型)。这将只返回每个唯一的“新闻信件”的最新消息。

df = df.sort_values(by=['launch date']).groupby('newsletter name').first()