根据多个条件合并两个数据框

Question

我正在寻找比较两个数据框（df-a 和 df-b）并搜索 1 个数据框（df-b）中给定 ID 和日期在另一个数据框（df-a）中 ID 匹配的日期范围内的位置). 然后我想剥离 df-a 中的所有列并将它们连接到它们匹配的 df-b 中。例如如果我有一个数据框 df-a，格式如下 df-a：    ID       Start_Date    End_Date     A   B   C   D   E 0   cd2      2020-06-01    2020-06-24   'a' 'b' 'c' 10  201   cd2      2020-06-24    2020-07-212   cd56     2020-06-10    2020-07-033   cd915    2020-04-28    2020-07-214   cd103    2020-04-13    2020-04-24和 df-b 在    ID      Date0   cd2     2020-05-121   cd2     2020-04-122   cd2     2020-06-103   cd15    2020-04-284   cd193   2020-04-13我想要一个像这样的输出 df df-c=    ID      Date        Start_Date  End_Date    A   B   C   D   E 0   cd2     2020-05-12      -           -       -   -   -   -   -1   cd2     2020-04-12      -           -       -   -   -   -   -2   cd2     2020-06-10 2020-06-01 2020-06-11    'a' 'b' 'c' 10  203   cd15    2020-04-28      -           -       -   -   -   -   -4   cd193   2020-04-13      -           -       -   -   -   -   -在上一篇文章中，我得到了一个很好的答案，它允许比较数据帧并在满足此条件的任何地方丢弃，但我正在努力弄清楚如何从 df-a 中适当地提取信息。目前的尝试如下！df_c=df_b.copy()ar=[]for i in range(df_c.shape[0]):    currentID = df_c.stafnum[i]    currentDate = df_c.Date[i]    df_a_entriesForCurrentID = df_a.loc[df_a.stafnum == currentID]    for j in range(df_a_entriesForCurrentID.shape[0]):        startDate = df_a_entriesForCurrentID.iloc[j,:].Leave_Start_Date        endDate = df_a_entriesForCurrentID.iloc[j,:].Leave_End_Date        if (startDate <= currentDate <= endDate):            print(df_c.loc[i])            print(df_a_entriesForCurrentID.iloc[j,:])                        #df_d=pd.concat([df_c.loc[i], df_a_entriesForCurrentID.iloc[j,:]], axis=0)                        #df_fin_2=df_fin.append(df_d, ignore_index=True)            #ar.append(df_d)

Answer 1

所以你想做一种“软”匹配。这是一个尝试矢量化日期范围匹配的解决方案。

# notice working with dates as strings, inequalities will only work if dates in format y-m-d

# otherwise it is safer to parse all date columns like `df_a.Date = pd.to_datetime(df_a)`

# create a groupby object once so we can efficiently filter df_b inside the loop

# good idea if df_b is considerably large and has many different IDs

gdf_b = df_b.groupby('ID')

b_IDs = gdf_b.indices # returns a dictionary with grouped rows {ID: arr(integer-indices)}

matched = [] # so we can collect matched rows from df_b

# iterate over rows with `.itertuples()`, more efficient than iterating range(len(df_a))

for i, ID, date in df_a.itertuples():

    if ID in b_IDs:

        gID = gdf_b.get_group(ID) # get the filtered df_b

        inrange = gID.Start_Date.le(date) & gID.End_Date.ge(date)

        if any(inrange):

            matched.append(

                gID.loc[inrange.idxmax()] # get the first row with date inrange

                .values[1:] # use the array without column indices and slice `ID` out

            )

        else:

            matched.append([np.nan] * (df_b.shape[1] - 1)) # no date inrange, fill with NaNs

    else:

        matched.append([np.nan] * (df_b.shape[1] - 1)) # no ID match, fill with NaNs

df_c = df_a.join(pd.DataFrame(matched, columns=df_b.columns[1:]))

print(df_c)

输出

      ID        Date  Start_Date    End_Date    A    B    C     D     E

0    cd2  2020-05-12         NaN         NaN  NaN  NaN  NaN   NaN   NaN

1    cd2  2020-04-12         NaN         NaN  NaN  NaN  NaN   NaN   NaN

2    cd2  2020-06-10  2020-06-01  2020-06-24    a    b    c  10.0  20.0

3   cd15  2020-04-28         NaN         NaN  NaN  NaN  NaN   NaN   NaN

4  cd193  2020-04-13         NaN         NaN  NaN  NaN  NaN   NaN   NaN