如何用df_2的InitialDate和EndDate扩展df_1的id时间序列？

以下是基于Pandas的可行实现步骤，确保保留时间的秒级粒度：

1. 确保日期字段为秒级datetime类型 #

先将两个DataFrame中的日期字段转换为datetime类型，明确保留秒级精度（如果原始数据格式固定，指定format参数可提升转换效率）：

import pandas as pd

# 转换df_1的时间字段
df_1['TrackDateTime'] = pd.to_datetime(df_1['TrackDateTime'], format='%Y-%m-%d %H:%M:%S')
# 转换df_2的时间字段
df_2['InitialDate'] = pd.to_datetime(df_2['InitialDate'], format='%Y-%m-%d %H:%M:%S')
df_2['EndDate'] = pd.to_datetime(df_2['EndDate'], format='%Y-%m-%d %H:%M:%S')

2. 转换df_2为与df_1一致的结构 #

使用melt函数将df_2的InitialDate和EndDate列转为行记录，并对应设置IdOrder值：

# 重塑df_2，生成对应记录
df_2_transformed = df_2.melt(
    id_vars=['id'],
    value_vars=['InitialDate', 'EndDate'],
    var_name='DateType',
    value_name='TrackDateTime'
)

# 映射IdOrder值
df_2_transformed['IdOrder'] = df_2_transformed['DateType'].replace({
    'InitialDate': 0,
    'EndDate': -1
})

# 清理冗余列
df_2_transformed = df_2_transformed.drop(columns=['DateType'])

3. 合并数据并整理 #

将转换后的df_2数据与原df_1合并，可选按id和IdOrder排序以优化记录顺序：

# 合并两个DataFrame
final_df = pd.concat([df_1, df_2_transformed], ignore_index=True)

# 可选：按id分组，按IdOrder降序排列（让初始日期记录排在结束日期前）
final_df = final_df.sort_values(by=['id', 'IdOrder'], ascending=[True, False]).reset_index(drop=True)

可选：仅保留df_1中存在的id记录 #

如果不需要df_2中未出现在df_1的id数据，可在转换前先过滤：

# 过滤出df_1中存在的id
df_2_filtered = df_2[df_2['id'].isin(df_1['id'].unique())]
# 后续转换步骤使用df_2_filtered即可

内容的提问来源于stack exchange，提问作者Chris