如何将按日分组的DataFrame值映射到对应日期的非分组DataFrame

核心逻辑：利用pandas向量化时间处理能力，将分钟级时间戳对齐到对应日期，和日度DataFrame的索引做关联匹配，避免低效的循环操作。

前置校验 #

先统一两边的日期类型，避免因格式不统一导致匹配失败：

import pandas as pd
# 将df2的日度索引统一转为datetime类型
df2.index = pd.to_datetime(df2.index)

方法1：索引归一化映射（单值匹配首选，性能最优） #

如果只需要匹配df2中的某一列日度值到newcol，直接将df1的分钟级时间戳归一化到当日零点（和df2的日度索引格式完全一致）后做值映射，百万行级数据可毫秒级完成：

# 假设df2中存储日度衍生值的列名为daily_metric
df1['newcol'] = df1.index.normalize().map(df2['daily_metric'])

原理：DatetimeIndex.normalize()会自动把所有时间戳的时、分、秒部分重置为0，返回的日期值和df2的日度索引一一对应，同一日期下的所有分钟行会自动映射到相同的日度值。

方法2：左连接合并（多列匹配首选） #

如果需要一次性把df2中的多个日度指标匹配到df1，用左连接逻辑更简洁，不需要逐列写映射：

# 生成临时关联日期列
df1['_match_date'] = df1.index.normalize()

# 左连接匹配，若只需要新增newcol，可提前筛选df2的对应列并重命名
df1 = df1.merge(
    df2[['daily_metric']].rename(columns={'daily_metric': 'newcol'}),
    left_on='_match_date',
    right_index=True,
    how='left'
).drop(columns=['_match_date'])

方法3：分组转换（无需提前生成df2的场景） #

如果日度衍生指标本身就是从df1的分钟数据聚合而来，可以直接在df1上按日分组做transform，省去先生成df2再匹配的步骤，比如要填充的newcol是当日总成交量：

df1['newcol'] = df1.groupby(df1.index.date)['volume'].transform('sum')

避坑提示：不要用逐行遍历、逐日期循环的方式赋值，数据量超过10万行时性能会下降数十倍；匹配完成后可抽查2-3个交易日的分钟行数值，若出现空值优先检查两边日期范围是否对齐、是否存在非交易日的冗余行。

内容的提问来源于stack exchange，提问作者stanvooz