如何在Pandas merge/join中设置布尔条件实现SQL左连接逻辑？

需要将以下SQL代码转换为Python代码，计划用pandas.merge/join实现，但不清楚如何定义布尔条件。

给定SQL代码：

create table gg as
select b.*, a.value 
from table b as b left join table a as a
on
b.key eq a.key and
b.date_value >= a.date_start and
b.date_value < a.date_end

尝试的Python代码（不知道布尔条件该放哪）：

df_C=df_B.merge(df_A,'left',left_on='key', right_on='key').copy()

pandas的merge只支持基于列值相等的连接条件，这类包含范围判断的多条件连接没法一步完成，你可以按以下两种方式实现：

方法一：先连接再过滤 #

先基于key做左连接，再筛选符合日期范围的记录，同时保留原表df_B中所有未匹配到的行：

# 按key左连接两个表
merged_df = df_B.merge(df_A, how='left', on='key')

# 定义日期范围条件，同时保留df_B中无匹配的行（对应a表字段为NaN的情况）
filter_condition = (merged_df['date_value'] >= merged_df['date_start']) & (merged_df['date_value'] < merged_df['date_end'])
filtered_df = merged_df[filter_condition | merged_df['date_start'].isna()]

# 提取需要的列：df_B所有列 + a表的value字段
df_C = filtered_df[df_B.columns.tolist() + ['value']].copy()

方法二：用merge_asof高效实现（适合大数据量） #

如果数据集较大，先全连接再过滤效率较低，可以用merge_asof，但需要先对日期相关字段排序：

import pandas as pd

# 先对两个表按key和日期字段排序
df_B_sorted = df_B.sort_values(['key', 'date_value'])
df_A_sorted = df_A.sort_values(['key', 'date_start'])

# 执行范围左连接
df_C = pd.merge_asof(
    df_B_sorted,
    df_A_sorted[['key', 'date_start', 'date_end', 'value']],
    on='key',
    left_on='date_value',
    right_on='date_start',
    allow_exact_matches=True,
    direction='backward'
)

# 额外过滤date_value < date_end的条件
df_C = df_C[df_C['date_value'] < df_C['date_end']]

# 如果需要恢复原df_B的顺序，可添加这行
df_C = df_C.loc[df_B.index]

merge_asof会按key匹配，再找到date_value不超过date_start的最近记录，之后再过滤date_value < date_end，完美对应你的SQL逻辑，且性能更优。

内容的提问来源于stack exchange，提问作者Pex82