如何在Python DataFrame中按日期区间匹配添加CEO列？

实现方案 #

下面是几种实用的实现方式，按简便性和效率排序：

1. 区间索引匹配（最直观简便）

利用pandas的IntervalIndex直接判断日期所属区间，代码简洁可读性强：

import pandas as pd

# 统一转换日期列为datetime类型
df1['Date'] = pd.to_datetime(df1['Date'])
df2['Start'] = pd.to_datetime(df2['Start'])
df2['End'] = pd.to_datetime(df2['End'])

# 为df2创建日期区间列
df2['date_range'] = pd.IntervalIndex.from_arrays(df2['Start'], df2['End'], closed='both')

# 定义匹配逻辑：按公司筛选后检查日期是否在区间内
def match_ceo(row):
    company_records = df2[df2['Company'] == row['Company']]
    matched = company_records[company_records['date_range'].contains(row['Date'])]
    return matched['CEO'].iloc[0] if not matched.empty else None

# 应用到df1生成新列
df1['CEO'] = df1.apply(match_ceo, axis=1)

运行后df1结果：

2. 合并后筛选（基础通用）

先按Company合并两个DataFrame，再筛选符合日期区间的记录，最后映射回原df1：

import pandas as pd

# 转换日期类型
df1['Date'] = pd.to_datetime(df1['Date'])
df2['Start'] = pd.to_datetime(df2['Start'])
df2['End'] = pd.to_datetime(df2['End'])

# 按Company左连接
temp_df = pd.merge(df1, df2, on='Company', how='left')
# 筛选日期在区间内的行
valid_mask = (temp_df['Date'] >= temp_df['Start']) & (temp_df['Date'] <= temp_df['End'])
# 将匹配的CEO值映射回原df1
df1['CEO'] = temp_df.loc[valid_mask, ['Date', 'Company', 'CEO']].merge(df1, on=['Date', 'Company'], how='left')['CEO']

3. 有序日期匹配（高效大数据场景）

如果日期数据是有序的，使用merge_asof可大幅提升匹配效率，适合百万级以上数据量：

import pandas as pd

# 转换日期并按日期排序
df1['Date'] = pd.to_datetime(df1['Date'])
df2['Start'] = pd.to_datetime(df2['Start'])
df2['End'] = pd.to_datetime(df2['End'])

df1_sorted = df1.sort_values('Date').reset_index(drop=True)
df2_sorted = df2.sort_values('Start').reset_index(drop=True)

# 按Company分组匹配最近的Start日期，再验证是否在End之前
merged = pd.merge_asof(
    df1_sorted,
    df2_sorted,
    left_on='Date',
    right_on='Start',
    by='Company',
    direction='backward'
)

# 筛选符合条件的记录，无匹配则设为None
df1_sorted['CEO'] = merged.apply(lambda x: x['CEO'] if x['Date'] <= x['End'] else None, axis=1)

# 恢复原df1的顺序
df1 = df1_sorted.sort_index().reset_index(drop=True)

注意事项 #

• 若同一公司同一日期区间存在多个CEO，需额外处理逻辑（如取第一个、拼接所有值）；
• 所有方法必须确保日期列是datetime类型，否则无法进行区间比较；
• 数据量较大时优先选方法3，其次是方法1，避免方法2的全量合并。

内容的提问来源于stack exchange，提问作者user17540557