Python Pandas实现同名时间区间布尔掩码筛选及跨表字段赋值

前提准备：统一时间字段类型 #

首先确保所有时间字段为datetime类型，避免字符串比较引发异常：

import pandas as pd

# 转换时间字段为datetime类型
df['Start Time'] = pd.to_datetime(df['Start Time'])
df['End Time'] = pd.to_datetime(df['End Time'])
df2['Time'] = pd.to_datetime(df2['Time'])

方法一：合并后生成掩码（适用于单Name对应单时间区间） #

1. 按Name合并两个DataFrame，将df的时间区间和Occ字段关联到df2每一行：

merged_df = df2.merge(df[['Name', 'Start Time', 'End Time', 'Occ']], on='Name', how='left')

2. 生成布尔掩码，标记Time是否处于对应Name的时间区间内：

mask = (merged_df['Time'] >= merged_df['Start Time']) & (merged_df['Time'] <= merged_df['End Time'])

3. 将匹配到的Occ字段赋值给df2：

# 仅给匹配成功的行赋值，未匹配行留空（NaN）
df2['Occ'] = merged_df['Occ'].where(mask, pd.NA)

方法二：逐行匹配（适用于单Name对应多时间区间） #

如果df中同一个Name对应多个时间区间，用apply逐行检查匹配：

1. 生成布尔掩码：

df2['in_time_range'] = df2.apply(
    lambda row: not df[(df['Name'] == row['Name']) & 
                      (df['Start Time'] <= row['Time']) & 
                      (df['End Time'] >= row['Time'])].empty,
    axis=1
)

2. 赋值Occ字段（取第一个匹配区间对应的Occ）：

def assign_occ(row):
    matched_rows = df[(df['Name'] == row['Name']) & 
                     (df['Start Time'] <= row['Time']) & 
                     (df['End Time'] >= row['Time'])]
    return matched_rows['Occ'].iloc[0] if not matched_rows.empty else pd.NA

df2['Occ'] = df2.apply(assign_occ, axis=1)

内容的提问来源于stack exchange，提问作者Chopin