使用 pandas merge_asof() 识别范围关系

Question

给定以下两个表示范围的数据框：df1 =  start   end0   200   3001   600   9002   950  1050df2 =  start   end0   350   5501   650   8002   900  1100它们可以这样表示：df1  [200 300]            [600    900] [950 1050]df2            [350  550]   [650 800] [900   1100]我的任务是确定范围df1和df2范围之间的四种不同类型的关系：df2的子集df1df2 [650 800]的子集df1 [600    900]df2的超集df1df2 [900   1100]的超集df1 [950 1050]df2之后df1（最近邻，不包括子集/超集）df2 [350  550]后df1 [200 300]df2 [900   1100]后df1 [600    900]df2之前df1（最近的邻居，不包括子集/超集）df2 [350  550]前df1 [600    900]df2 [650 800]前df1 [950 1050]我正在尝试使用merge_asof()从这个答案中学到的东西，但由于超集/子集关系添加的复杂性，它不起作用，例如：# Create "before" conditiondf_before = pd.merge_asof(    df2.rename(columns={col:f'before_{col}' for col in df2.columns}).sort_values('before_end'),    df1.assign(before_end=lambda x: x['end']).sort_values('before_end'),    on='before_end',    direction='forward').query('end > before_end')print(df_before)输出：  before_start  before_end  start    end0          350         550  600.0  900.01          650         800  600.0  900.0目标输出：  before_start  before_end  start     end0          350         550  600.0   900.01          650         800  950.0  1050.0问题是pd.merge_asof(    df2.rename(columns={col:f'before_{col}' for col in df2.columns}).sort_values('before_end'),    df1.assign(before_end=lambda x: x['end']).sort_values('before_end'),    on='before_end',    direction='forward')df1.end在 800 之后找到最接近的df2 [650 800]，即df1 [600    900]：  before_start  before_end  start    end0          350         550  600.0  900.01          650         800  600.0  900.02          900        1100    NaN    NaN是否可以merge_asof()根据特定条件查找最接近的值，例如“df1.end仅当df1.start该范围大于 800（在本例中为 950）时才查找最近的值”？有了这种复杂程度，也许还有另一个更适合这项任务的功能？笔记：中的范围df1可以相互重叠，但绝不相同。中的范围df2可以相互重叠，但绝不相同。df1并且df2每行有超过 200k 行。df1并且df2有不同的行数。

Answer 1

可以pd.merge_asof用来查找之前和之后的选项。

before_df = pd.merge_asof(df1, df2, left_on='start', right_on='end', suffixes=['', '_before'])

before_df

#    start   end  start_before  end_before

# 0    200   300           NaN         NaN

# 1    600   900         350.0       550.0

# 2    950  1050         650.0       800.0

after_df = pd.merge_asof(df2, df1, left_on='start', right_on='end', suffixes=['_after', ''])

#    start_after  end_after  start  end

# 0          350        550    200  300

# 1          650        800    200  300

# 2          900       1100    600  900

但是要使其工作或子集和超集计算并不容易。对于那些人，我会争取这种可以一次性工作的算法。

def range_intersect(lh_ranges, rh_ranges): 

    all_ranges = sorted(

        [(b, e, 'lh') for b, e in lh_ranges] +

        [(b, e, 'rh') for b, e in rh_ranges]

    ) 

    res = [] 

    max_b, max_e = None, None 

    for b, e, which in all_ranges: 

        if which == 'rh': 

            if max_e is None or e > max_e: 

                max_b, max_e = b, e 

        elif max_e is not None and e <= max_e: 

            res.append((b, e, max_b, max_e)) 

    return res

这会发现 的元素是lh中元素的子集rh。要查找超集，可以反向运行。为简单起见，它采用范围列表而不是DataFrames。转换很简单。

lh = df1.to_dict('split')['data']

rh = df2.to_dict('split')['data']

lh

# [[200, 300], [600, 900], [950, 1050]]

rh                                                                                                                                                                                                                                  

# [[350, 550], [650, 800], [900, 1100]]

在那之后，DataFrame你想要的结果只是几个合并。

# Compute supersets, then run in reverse to get the subsets.

superset_df = pd.DataFrame(range_intersect(lh, rh), columns=['start', 'end', 'start_superset', 'end_superset'])

subset_df = pd.DataFrame(range_intersect(rh, lh), columns=['start_subset', 'end_subset', 'start', 'end'])

# Merge all the results together.

result = df1.merge(subset_df, how='left').merge(superset_df, how='left').merge(before_df, how='left').merge(after_df, how='left')

# The reversed operations, after and subset, can have many matches in df1.

result.drop_duplicates(['start', 'end'])

#    start   end  start_subset  end_subset  start_superset  end_superset  start_before  end_before  start_after  end_after

# 0    200   300           NaN         NaN             NaN           NaN           NaN         NaN        350.0      550.0

# 2    600   900         650.0       800.0             NaN           NaN         350.0       550.0        900.0     1100.0

# 3    950  1050           NaN         NaN           900.0        1100.0         650.0       800.0          NaN        NaN