在数据分析和处理中，我们经常会遇到需要根据非精确匹配条件合并（或连接）两个DataFrame的场景。其中一个常见的需求是，将一个DataFrame中的记录与另一个DataFrame中某个时间戳落在特定时间范围内的记录进行关联。传统的迭代方法虽然直观，但在处理大量数据时往往效率低下。本文将介绍一种利用NumPy广播机制实现此类时间范围条件合并的高效策略。
理解问题与传统方法的局限性
假设我们有两个DataFrame：
- df1 包含 time_1 和 time_2 两列，定义了一个时间区间。
- df2 包含 time_3 列，表示一个具体的时间点。
我们的目标是，对于 df1 中的每一行，找到 df2 中所有 time_3 值介于 df1 当前行的 time_1 和 time_2 之间的行，并将它们合并起来。这意味着 df1 中的一行可能会与 df2 中的多行匹配，从而在结果DataFrame中重复出现。
以下是使用传统Python循环实现此逻辑的示例：
import pandas as pd
import numpy as np
# 模拟数据
data1 = {
'time_1': pd.to_datetime(['2023-10-01 04:02:00', '2023-10-01 04:03:00']),
'time_2': pd.to_datetime(['2023-10-01 08:29:00', '2023-10-01 08:49:00']),
'dummy_data': [-245.67, -1772.95]
}
df1 = pd.DataFrame(data1)
data2 = {
'time_3': pd.to_datetime([
'2023-10-01 06:21:13.238024',
'2023-10-01 06:47:19.796628',
'2023-10-01 07:37:06.438740',
'2023-10-01 08:16:16.995256',
'2023-10-01 08:33:53.081095'
]),
'dummy_data2': [-131.37, -236.28, 5.92, -134.03, -103.73]
}
df2 = pd.DataFrame(data2)
# 传统循环方法（效率低下）
# indexes = {}
# for i in df1.index:
# s = df2['time_3'].between(df1.loc[i]['time_1'],
# df1.loc[i]['time_2'],
# inclusive='left')
# friends = list(s[s == True].index)
# indexes[i] = friends
# output_df_slow = pd.DataFrame()
# for key in indexes.keys():
# for idx in indexes[key]:
# output_df_slow = pd.concat([df1.loc[[key]],
# df2.loc[[idx]]],
# axis=1, ignore_index=True) # 修改为loc[[key]]和loc[[idx]]以保留DataFrame结构
# print(output_df_slow)上述循环方法在DataFrame规模较小时尚可接受，但当 df1 和 df2 拥有大量行时，嵌套循环和反复的 loc 操作会导致显著的性能问题，因为它们本质上是逐行处理，无法充分利用Pandas和NumPy底层优化的向量化操作。
高效解决方案：利用NumPy广播机制
NumPy的广播（Broadcasting）机制允许我们对不同形状的数组执行算术运算，其核心思想是自动扩展较小数组以匹配较大数组的形状。在条件合并的场景中，我们可以利用广播一次性比较 df1 中的所有时间范围与 df2 中的所有时间点，从而避免显式循环。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
核心步骤与示例代码
-
重置索引（可选但推荐）：为了确保在后续 iloc 操作中索引的连续性和准确性，建议在操作前重置两个DataFrame的索引。如果原始索引有特殊含义且不希望丢失，可以在重置前保存。
df1_reset = df1.reset_index(drop=True) df2_reset = df2.reset_index(drop=True)
-
准备数据进行广播：将需要比较的时间列转换为NumPy数组。关键在于对 df1 的时间范围列进行整形，使其变为列向量（[:, None]），这样在与 df2 的时间点（行向量）进行比较时，NumPy会自动将它们广播成一个 N x M 的矩阵，其中 N 是 df1 的行数，M 是 df2 的行数。
t1 = df1_reset["time_1"].to_numpy()[:, None] # 转换为列向量 t2 = df1_reset["time_2"].to_numpy()[:, None] # 转换为列向量 t3 = df2_reset["time_3"].to_numpy() # 保持为行向量
-
执行广播比较：通过简单的逻辑运算符，我们可以实现时间范围的条件判断。结果将是一个布尔矩阵，指示 df1 的每一行与 df2 的每一行是否满足条件。
# 广播比较：(t1 < t3) & (t3 < t2) # 结果是一个 N x M 的布尔矩阵 # 假设 time_1 <= time_3 < time_2 （根据问题描述的inclusive='left'） # 如果需要包含 time_2，则改为 (t1 <= t3) & (t3 <= t2) # 这里我们采用 (t1 <= t3) & (t3 < t2) 对应 inclusive='left' match_matrix = (t1 <= t3) & (t3 < t2)
-
获取匹配的索引对：使用 .nonzero() 方法可以获取布尔矩阵中所有 True 值的坐标。这些坐标将以两个数组的形式返回：第一个数组包含 True 值所在的行索引（对应 df1），第二个数组包含 True 值所在的列索引（对应 df2）。
x_indices, y_indices = match_matrix.nonzero() # x_indices 存储 df1_reset 中匹配的行索引 # y_indices 存储 df2_reset 中匹配的行索引
-
组合结果DataFrame：最后，利用 iloc 根据 x_indices 和 y_indices 从 df1_reset 和 df2_reset 中选择相应的行，并通过 pd.concat 将它们水平拼接起来。
result_df = pd.concat( [ df1_reset.iloc[x_indices].reset_index(drop=True), df2_reset.iloc[y_indices].reset_index(drop=True), ], axis=1, ) print(result_df)
完整示例代码
import pandas as pd
import numpy as np
# 模拟数据
data1 = {
'time_1': pd.to_datetime(['2023-10-01 04:02:00', '2023-10-01 04:03:00']),
'time_2': pd.to_datetime(['2023-10-01 08:29:00', '2023-10-01 08:49:00']),
'dummy_data': [-245.669907, -1772.948571]
}
df1 = pd.DataFrame(data1)
data2 = {
'time_3': pd.to_datetime([
'2023-10-01 06:21:13.238024',
'2023-10-01 06:47:19.796628',
'2023-10-01 07:37:06.438740',
'2023-10-01 08:16:16.995256',
'2023-10-01 08:33:53.081095'
]),
'dummy_data2': [-131.367901, -236.277444, 5.915493, -134.032433, -103.733212]
}
df2 = pd.DataFrame(data2)
# 确保时间列为 datetime 类型
df1['time_1'] = pd.to_datetime(df1['time_1'])
df1['time_2'] = pd.to_datetime(df1['time_2'])
df2['time_3'] = pd.to_datetime(df2['time_3'])
# 1. 重置索引（确保后续iloc操作的正确性）
df1_reset = df1.reset_index(drop=True)
df2_reset = df2.reset_index(drop=True)
# 2. 准备数据进行NumPy广播
# 将 df1 的时间列转换为列向量 (N, 1)
t1 = df1_reset["time_1"].to_numpy()[:, None]
t2 = df1_reset["time_2"].to_numpy()[:, None]
# 将 df2 的时间列保持为行向量 (1, M)
t3 = df2_reset["time_3"].to_numpy()
# 3. 执行广播比较
# 条件：time_3 介于 time_1 和 time_2 之间 (time_1 <= time_3 < time_2)
match_matrix = (t1 <= t3) & (t3 < t2)
# 4. 获取匹配的索引对
x_indices, y_indices = match_matrix.nonzero()
# 5. 组合结果DataFrame
result_df = pd.concat(
[
df1_reset.iloc[x_indices].reset_index(drop=True), # 根据x_indices从df1_reset中选择行
df2_reset.iloc[y_indices].reset_index(drop=True), # 根据y_indices从df2_reset中选择行
],
axis=1, # 水平拼接
)
print("高效合并结果:")
print(result_df)输出结果示例
高效合并结果:
time_1 time_2 dummy_data time_3 dummy_data2
0 2023-10-01 04:02:00 2023-10-01 08:29:00 -245.669907 2023-10-01 06:21:13.238024 -131.367901
1 2023-10-01 04:02:00 2023-10-01 08:29:00 -245.669907 2023-10-01 06:47:19.796628 -236.277444
2 2023-10-01 04:02:00 2023-10-01 08:29:00 -245.669907 2023-10-01 07:37:06.438740 5.915493
3 2023-10-01 04:02:00 2023-10-01 08:29:00 -245.669907 2023-10-01 08:16:16.995256 -134.032433
4 2023-10-01 04:03:00 2023-10-01 08:49:00 -1772.948571 2023-10-01 06:21:13.238024 -131.367901
5 2023-10-01 04:03:00 2023-10-01 08:49:00 -1772.948571 2023-10-01 06:47:19.796628 -236.277444
6 2023-10-01 04:03:00 2023-10-01 08:49:00 -1772.948571 2023-10-01 07:37:06.438740 5.915493
7 2023-10-01 04:03:00 2023-10-01 08:49:00 -1772.948571 2023-10-01 08:16:16.995256 -134.032433
8 2023-10-01 04:03:00 2023-10-01 08:49:00 -1772.948571 2023-10-01 08:33:53.081095 -103.733212优势与注意事项
优势
- 显著的性能提升：NumPy广播利用了底层的C语言实现，避免了Python循环的开销，尤其在处理大型数据集时，速度比纯Python循环快数倍甚至数十倍。
- 代码简洁与可读性：相比于复杂的嵌套循环和中间数据结构，广播代码更紧凑，逻辑更清晰。
- 灵活的条件扩展：如果需要增加更复杂的合并条件（例如，除了时间范围，还需要某个属性匹配或不匹配），可以直接在 match_matrix 的计算中添加额外的布尔条件，而无需大幅修改代码结构。
注意事项
- 内存消耗：NumPy广播会生成一个 N x M 的布尔矩阵。如果 df1 和 df2 的行数 N 和 M 都非常大，这个矩阵可能会占用大量内存，甚至导致内存溢出。例如，如果 N=10^5 且 M=10^5，则矩阵大小为 10^10 个布尔值，这将是巨大的。在处理超大数据集时，可能需要考虑分块处理或其他更专业的数据库连接技术。
- 索引处理：在进行 iloc 操作之前，重置索引是一个好的实践，可以避免因原始DataFrame索引不连续或重复而导致的潜在问题。如果原始索引很重要，请在重置前将其保存为新列。
- 数据类型：确保参与比较的时间列都是Pandas的 datetime 对象或NumPy的 datetime64 类型，以保证比较的正确性。
总结
通过利用NumPy的广播机制，我们可以高效地解决Pandas中基于时间范围的条件合并问题。这种方法不仅显著提升了处理速度，还保持了代码的简洁性和可扩展性。然而，在使用时也需留意其潜在的内存消耗，并根据实际数据规模进行权衡和优化。掌握这种高级的Pandas和NumPy用法，将极大地提高你在时间序列数据处理中的效率。
