本文介绍如何使用 pd.merge_asof() 高效完成两个 dataframe 的“按分组 + 时间区间内匹配”操作，避免低效嵌套循环，在数十万行数据下将耗时从 10 分钟降至毫秒级。
在数据分析中，常需将事件时间（如设备触发时刻）映射到其所属的时间窗口（如产线作业班次、设备维护周期），并携带对应属性（如工单编号、状态值、测量值等）。本例中，df1 包含按 LOT 分组的事件记录（含 EVENT_TIME），df2 提供每个 LOT 下多个时间窗口（IN_TIME → OUT_TIME）及其关联值 VALUE；目标是为 df1 每一行匹配同一 LOT 下且满足 IN_TIME ≤ EVENT_TIME ≤ OUT_TIME 的 VALUE，生成新列 DATA。
直接使用双重 for 循环（如原问题所示）时间复杂度为 O(n×m)，面对 10 万+ 行数据极易超时。Pandas 提供了专为此类场景优化的 merge_asof() —— 它基于排序合并（sort-merge join），支持按键分组、左表时间列与右表时间列的最近向下匹配（nearest backward join），再辅以条件过滤，即可精准实现“区间内匹配”。
✅ 正确步骤与代码实现
首先确保所有时间列已转为 datetime64 类型（merge_asof 强制要求）：
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
import pandas as pd
# 构造示例数据
df1 = pd.DataFrame({
'LOT': ['A', 'A', 'A', 'A', 'A', 'A'],
'SLOT': [1, 2, 3, 4, 5, 6],
'EVENT_TIME': ['2024-01-20 13:30', '2024-01-20 13:36',
'2024-01-21 14:28', '2024-01-21 14:30',
'2024-01-21 14:32', '2024-01-21 14:34']
})
df2 = pd.DataFrame({
'LOT': ['A', 'A'],
'IN_TIME': ['2024-01-20 13:20', '2024-01-21 14:25'],
'OUT_TIME': ['2024-01-20 13:40', '2024-01-21 14:50'],
'VALUE': [13, 15]
})
# ✅ 关键：统一转为 datetime
df1['EVENT_TIME'] = pd.to_datetime(df1['EVENT_TIME'])
df2['IN_TIME'] = pd.to_datetime(df2['IN_TIME'])
df2['OUT_TIME'] = pd.to_datetime(df2['OUT_TIME'])接着使用 merge_asof 实现高效匹配：
# Step 1: merge_asof — 按 LOT 分组，对 EVENT_TIME 在 IN_TIME 上做「向后最近匹配」
# 注意：df2 必须按 by + right_on 排序（merge_asof 自动要求，此处已满足）
result = pd.merge_asof(
df1.sort_values('EVENT_TIME'), # 左表必须按 left_on 列升序排序
df2.sort_values('IN_TIME'), # 右表必须按 right_on 列升序排序
by='LOT', # 分组键（确保只在相同 LOT 内匹配）
left_on='EVENT_TIME', # 左表时间列
right_on='IN_TIME', # 右表起始时间列（作为匹配锚点）
allow_exact_matches=True, # 允许 EVENT_TIME == IN_TIME（必需）
direction='backward' # 默认行为：取 ≤ EVENT_TIME 的最大 IN_TIME（即最近前一个窗口起点）
)
# Step 2: 过滤掉超出 OUT_TIME 的误匹配（merge_asof 只保证 IN_TIME ≤ EVENT_TIME，不检查上限）
result = result.assign(DATA=lambda x: x['VALUE'].where(x['EVENT_TIME'] <= x['OUT_TIME']))
# Step 3: 清理冗余列，重命名/整理输出
result = result.drop(columns=['IN_TIME', 'OUT_TIME', 'VALUE']).rename(columns={'DATA': 'DATA'})最终 result 即为目标结构：
| LOT | SLOT | EVENT_TIME | DATA |
|---|---|---|---|
| A | 1 | 2024-01-20 13:30:00 | 13.0 |
| A | 2 | 2024-01-20 13:36:00 | 13.0 |
| A | 3 | 2024-01-21 14:28:00 | 15.0 |
| A | 4 | 2024-01-21 14:30:00 | 15.0 |
| A | 5 | 2024-01-21 14:32:00 | 15.0 |
| A | 6 | 2024-01-21 14:34:00 | 15.0 |
? 为什么用 merge_asof 而非 merge 或 apply？ merge 无法直接表达“时间在区间内”的条件（需笛卡尔积 + 布尔索引，O(n×m) 空间爆炸）； apply + lambda 本质仍是逐行 Python 循环，无向量化加速； merge_asof 是 Pandas 底层 C 实现的排序合并，复杂度接近 O(n + m)，百万级数据通常在 100ms 内完成。
⚠️ 注意事项与最佳实践
- 排序强制要求：merge_asof 要求左表按 left_on、右表按 right_on 严格升序排列，否则结果不可靠。务必先 .sort_values() 并重置索引（或使用 ignore_index=True）。
- 区间方向敏感：direction='backward' 匹配 IN_TIME ≤ EVENT_TIME 的最大值；若窗口定义为 (start, end] 或需向上取整，请结合 tolerance 或预处理时间边界。
- 缺失值处理：未匹配到任何窗口的行，VALUE 将为 NaN，where() 后仍为 NaN —— 符合业务语义（事件不在任何有效窗口内）。
- 多匹配冲突：若一个 EVENT_TIME 落入多个重叠窗口，merge_asof 仅返回 IN_TIME 最大的那一个（因 backward 取最近）。如需全部匹配结果，请改用 pd.IntervalIndex + loc（适用于中小规模 df2）。
- 性能验证建议：对真实大数据集，可添加 %%time 魔法命令对比 merge_asof 与原 for 循环耗时，典型提升达 1000× 以上。
掌握 merge_asof 的区间匹配模式，不仅能解决本例的 DATA 列注入问题，还可扩展应用于金融行情快照绑定、IoT 传感器事件归因、日志会话分析等高频场景——关键在于将“范围条件”拆解为“有序锚点匹配 + 边界校验”两步，兼顾效率与准确性。
