Pandas按日期分组求和：DataFrame行数不匹配问题求助

核心思路 #

你的报错原因是df2.groupby(["D"]).agg({"E": sum})的结果行数和df1的行数不匹配，直接赋值必然触发长度错误。最优方案是用pandas向量化操作替代逐行循环，既高效又简洁。

步骤1：先对df2按日期聚合求和 #

先处理df2，生成「日期-对应E列总和」的映射关系：

# 生成索引为日期、值为对应E列总和的Series
sum_series = df2.groupby("D")["E"].sum()

步骤2：将聚合结果匹配到df1的日期列 #

用map方法自动匹配df1的A列日期，缺失的日期会返回NaN，可按需填充为0：

# 直接匹配，缺失日期显示NaN
df1["E_sum"] = df1["A"].map(sum_series)

# 若希望缺失日期的总和显示为0，添加fillna
df1["E_sum"] = df1["A"].map(sum_series).fillna(0)

为什么比iterrows更优？ #

• 向量化操作是pandas原生优化的计算方式，数据量越大，对比逐行循环的性能优势越明显；
• 代码逻辑清晰，无需手动处理索引位置，避免iloc可能带来的越界或匹配错误。

示例验证 #

假设测试数据：

import pandas as pd

df1 = pd.DataFrame({"A": ["2023-01-01", "2023-01-02", "2023-01-03"]})
df2 = pd.DataFrame({
    "D": ["2023-01-01", "2023-01-01", "2023-01-02"],
    "E": [10, 20, 30]
})

sum_series = df2.groupby("D")["E"].sum()
df1["E_sum"] = df1["A"].map(sum_series).fillna(0)

最终df1结果：

内容的提问来源于stack exchange，提问作者Chris