如何按索引匹配将pandas小DataFrame的值填充到大DataFrame

• 第一种写法问题：df1.index.date和df2.index.date是长度不等的日期数组，直接用==做元素级对比时长度不匹配，才触发弃用告警；另外代码里写的df2.value2 == df1.value1是比较运算不是赋值运算，就算判断逻辑成立也不会修改列值。
• 第二种写法问题：给DataFrame列赋值时传入的列表只有1个元素，和df2的索引长度不匹配，直接触发长度报错；且列表内的判断逻辑没有逐行做日期匹配，本身逻辑不成立。
• 用iterrows()逐行遍历属于低效操作，pandas的向量化接口可以直接实现需求，不需要写循环。

首先先确认两个DataFrame的索引为datetime类型，不是的话先做转换：

import pandas as pd
df1.index = pd.to_datetime(df1.index)
df2.index = pd.to_datetime(df2.index)

直接通过日期映射完成赋值，全程向量化操作，性能远高于逐行遍历：

# 将df2索引的时分秒归零，对齐df1的日期粒度后做值映射
df2['value2'] = df2.index.normalize().map(df1['value1'])

如果df1的索引是原生Python date类型而非pandas datetime类型，可以用提取日期的方式对齐：

date_map = pd.Series(df1['value1'].values, index=df1.index.date)
df2['value2'] = [date_map[d] for d in df2.index.date]

如果df2中存在df1未覆盖的日期，上述代码会将对应行的value2填充为NaN。如果需要保留这部分行原有的value2值，可以改用combine_first做对齐填充：

date_aligned_s = df2.index.normalize().map(df1['value1'])
df2['value2'] = date_aligned_s.combine_first(df2['value2'])

执行后即可得到预期结果，所有同日期的行都会填充为df1中对应日期的value1值。

内容的提问来源于stack exchange，提问作者m_abbott