使用pd.merge_asof()按最近时间戳合并DataFrame遇重复匹配问题求助

核心问题：表顺序搞反了 #

pd.merge_asof的逻辑是左表的每一行去匹配右表中符合条件的最近行，你要给df2的8行各匹配一个df1行，必须把df2作为左表、df1作为右表——之前的顺序会让df1的1000+行去匹配df2的行，自然会出现df2行被多次匹配的情况。

其他需要修正的点 #

• 时间窗口错误：你需要的是±5分钟，当前代码设置的是1小时，要改成pd.Timedelta(minutes=5)。
• 必须排序：merge_asof要求左右表都按匹配字段（time）排序，否则无法正确匹配，这是容易忽略的前提。

修正后的代码 #

# 先对两个表按time字段排序
df1_sorted = df1.sort_values('time').reset_index(drop=True)
df2_sorted = df2.sort_values('time').reset_index(drop=True)

# 用df2作为左表，匹配df1的最近行，窗口±5分钟
merged_df = pd.merge_asof(
    df2_sorted, 
    df1_sorted, 
    on='time', 
    direction='nearest',
    tolerance=pd.Timedelta(minutes=5)
)

处理后，df2的每一行只会匹配到df1中符合时间窗口的最近一行，不会出现重复匹配的情况。

替代实现方法（手动匹配） #

如果还是有问题，可以用apply手动实现匹配逻辑，更直观：

# 先确保df1按time排序
df1_sorted = df1.sort_values('time')

def find_nearest(row):
    # 筛选df1中time在当前行time±5分钟内的行
    mask = (df1_sorted['time'] >= row['time'] - pd.Timedelta(minutes=5)) & \
           (df1_sorted['time'] <= row['time'] + pd.Timedelta(minutes=5))
    candidates = df1_sorted[mask]
    if candidates.empty:
        # 没有符合条件的行，返回空值
        return pd.Series([None]*len(df1.columns), index=df1.columns)
    # 找到时间差最小的行
    nearest_idx = (candidates['time'] - row['time']).abs().idxmin()
    return candidates.loc[nearest_idx]

# 对df2每一行应用匹配逻辑
merged_df = df2.join(df2.apply(find_nearest, axis=1), rsuffix='_df1')

内容的提问来源于stack exchange，提问作者ana