基于日期区间的高效电价查询Python实现方案问询

一、使用Pandas（推荐，处理大量时间序列数据） #

Pandas专门针对时间序列和数据匹配做了优化，merge_asof或cut方法都能高效完成区间匹配，完全避免暴力遍历。

实现步骤： #

1. 将电价区间数据整理为DataFrame，并确保起始日期为datetime类型；
2. 将每日能耗数据也转为带datetime日期的DataFrame；
3. 使用merge_asof按日期匹配对应的电价（需先对两个DataFrame的日期列排序）。

代码示例： #

import pandas as pd

# 1. 定义电价数据
tariff_data = pd.DataFrame({
    'start_date': pd.to_datetime(['2023-01-01', '2023-04-01', '2023-10-01']),
    'unit_cost': [0.2384, 0.2761, 0.2566]
})

# 2. 模拟每日能耗数据（示例）
energy_usage = pd.DataFrame({
    'date': pd.date_range(start='2023-02-15', end='2023-11-20', freq='D'),
    'daily_consumption': [10.5, 9.2, 11.1] * 90  # 模拟消耗量数据
})

# 3. 按日期匹配电价（merge_asof要求两边日期列已排序）
tariff_data_sorted = tariff_data.sort_values('start_date')
energy_usage_sorted = energy_usage.sort_values('date')

# 匹配最近的不大于当前日期的start_date
matched_data = pd.merge_asof(
    energy_usage_sorted,
    tariff_data_sorted,
    left_on='date',
    right_on='start_date',
    direction='backward'
)

# 计算每日费用
matched_data['daily_cost'] = matched_data['daily_consumption'] * matched_data['unit_cost']

print(matched_data[['date', 'daily_consumption', 'unit_cost', 'daily_cost']].head())

二、使用标准库bisect（轻量场景，无第三方依赖） #

如果不需要处理大规模数据，用标准库的bisect模块实现二分查找，时间复杂度为O(log n)，比暴力遍历的O(n)高效得多。

实现步骤： #

1. 将电价的起始日期转换为时间戳（整数），并按顺序存储；
2. 对应存储单价列表；
3. 对任意日期，转换为时间戳后用bisect.bisect_right找到插入位置，从而获取对应的单价。

代码示例： #

import bisect
from datetime import datetime

# 定义电价数据（按起始日期升序排列）
tariff_start_dates = [
    datetime(2023, 1, 1),
    datetime(2023, 4, 1),
    datetime(2023, 10, 1)
]
tariff_unit_costs = [0.2384, 0.2761, 0.2566]

# 将日期转为时间戳（整数，方便二分查找）
start_timestamps = [dt.timestamp() for dt in tariff_start_dates]

def get_unit_cost(target_date):
    target_ts = target_date.timestamp()
    # 找到第一个大于target_ts的起始日期索引
    idx = bisect.bisect_right(start_timestamps, target_ts)
    # 因为区间连续，对应索引为idx-1
    return tariff_unit_costs[idx-1] if idx > 0 else None

# 测试匹配
test_date1 = datetime(2023, 5, 10)
test_date2 = datetime(2023, 12, 5)
print(f"{test_date1.date()} 的单价: {get_unit_cost(test_date1)}")
print(f"{test_date2.date()} 的单价: {get_unit_cost(test_date2)}")

# 计算每日费用（模拟数据）
daily_data = [
    (datetime(2023, 3, 15), 8.7),
    (datetime(2023, 7, 20), 12.3),
    (datetime(2023, 11, 5), 9.8)
]

for date, consumption in daily_data:
    cost = consumption * get_unit_cost(date)
    print(f"{date.date()}: 消耗量{consumption}，费用{cost:.4f}")

方案对比 #

• Pandas：适合处理大规模时间序列数据，代码简洁，内置优化的算法，无需手动实现查找逻辑；
• bisect：适合轻量场景，无第三方依赖，代码轻量，查找效率高。

内容的提问来源于stack exchange，提问作者Gordon Mckeown