如何快速合并20个含股票价格的Pandas时间序列DataFrame？

问题分析 #

你尝试的循环方法无效，核心原因是未初始化df_merge变量——第一次循环时df_merge还不存在，自然会报错。即便修复初始化问题，逐次合并的方式对于20个DataFrame来说效率较低，因为每次合并都会产生新的DataFrame，时间复杂度接近O(n²)。

最快实现方式：使用pd.concat #

针对每个DataFrame仅包含Date和单支股票价格的场景，pd.concat是最高效的合并方式，它能一次性完成所有DataFrame的对齐合并，时间复杂度为O(n)。

步骤： #

1. 先将每个DataFrame的Date列设为索引，这样所有DataFrame会以日期为键自动对齐。
2. 沿列方向（axis=1）拼接所有处理后的DataFrame，使用outer连接保留所有日期。
3. 最后将索引重新转换为Date列。

代码示例： #

import pandas as pd

# 假设df_list是你的20个DataFrame组成的列表
# 第一步：为每个DataFrame设置Date为索引
processed_dfs = [df.set_index('Date') for df in df_list]

# 第二步：拼接所有DataFrame，outer连接保留全部日期
merged_df = pd.concat(processed_dfs, axis=1, join='outer')

# 第三步：将索引转回Date列
merged_df = merged_df.reset_index().rename(columns={'index': 'Date'})

修复原循环方法（备用） #

如果你想保留逐次合并的逻辑，只需初始化df_merge为列表中的第一个DataFrame，再遍历剩余DataFrame进行合并：

df_list = [PACE, NYKAA, ASRL, ZOMATO]  # 你的DataFrame列表

# 初始化合并结果为第一个DataFrame
df_merge = df_list[0]
# 遍历剩余DataFrame进行合并
for df in df_list[1:]:
    df_merge = df_merge.merge(df, on='Date', how='outer')

但注意：这种方法的效率远低于pd.concat，尤其当DataFrame数量较多或数据量较大时。

内容的提问来源于stack exchange，提问作者Shaurya Dubey