最新の住所だけを残す重複削除
保険会社のD社では、顧客の住所変更の履歴が下の表のDataFrame df に入っている。顧客ごとに最新の住所だけを残すため、次のコードを実行した。実行結果の説明として、最も適切なものを1つ選べ。
result = df.sort_values('更新日').drop_duplicates(subset='顧客ID', keep='last')
- A
3行が残り、C1の住所は横浜、C2の住所は京都になる。
- B
3行が残り、C1の住所は東京、C2の住所は大阪になる。
- C
重複したC1とC2の行がすべて消え、C3の1行だけ残る。
- D
すべての列が同じ行はないので、5行のまま残る。
正解と解説を見る
正解:A
drop_duplicates では、subsetで重複を判定する列を、keepでどの行を残すか(first・last・False)を指定する。日付で並べてから keep='last' にすると、キーごとに最新の行が残る。
| 顧客ID | 更新日 | 住所 |
|---|---|---|
| C1 | 2026-01-10 | 東京 |
| C2 | 2026-02-01 | 大阪 |
| C1 | 2026-03-05 | 横浜 |
| C3 | 2026-03-20 | 札幌 |
| C2 | 2026-04-12 | 京都 |
- A
正しい。更新日の昇順に並べたあと、顧客IDが同じ行のうち最後の行(最新の行)を残す。C1は横浜、C2は京都、C3は札幌の3行になる。
- B
誤り。これは keep='first' の場合の結果で、最も古い行が残る。keep='last' では最後の行が残る。
- C
誤り。これは keep=False の場合の結果で、重複した行をすべて削除する。keep='last' では各顧客の行が1つずつ残る。
- D
誤り。subset='顧客ID' を指定しているので、顧客IDの列だけで重複を判定する。全列が一致する行だけを重複とみなすのは、subsetを指定しない場合。
このサイトの問題は、各試験の公開されている出題範囲に沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。一般社団法人データサイエンティスト協会・一般財団法人統計質保証推進協会の公式サービスではありません。