基于时间区间合并Pandas DataFrames：为周数据添加关联月平均列

要实现给周数据df_1添加对应月份的平均列，核心思路是让两个DataFrame基于「年份-月份」建立关联，然后将月平均值映射到每一行周数据上。下面给出两种高效的实现方式，适配你提到的多年完整数据场景：

方法一：用Pandas Merge（直观清晰） #

这种方法通过提取统一的「年月周期」作为连接键，将月平均值合并到周数据中，逻辑一目了然，适合新手理解：

import pandas as pd

# 第一步：确保日期列为datetime类型（如果你的原始数据还没转换的话）
df_1['date'] = pd.to_datetime(df_1['date'])
df_2['date'] = pd.to_datetime(df_2['date'])

# 第二步：为两个DataFrame添加「年月周期」列（统一关联键）
df_1['year_month'] = df_1['date'].dt.to_period('M')
df_2['year_month'] = df_2['date'].dt.to_period('M')

# 第三步：重命名df_2的列，避免和df_1的列冲突
df_2_renamed = df_2.rename(columns={
    'Direct_Connection': 'Assoc_dir_avg',
    'Indirect_Connection': 'Ass_indir_avg'
})

# 第四步：基于year_month合并，只保留需要的平均值列
merged_df = pd.merge(
    df_1,
    df_2_renamed[['year_month', 'Assoc_dir_avg', 'Ass_indir_avg']],
    on='year_month',
    how='left'  # 保留df_1的所有行，即使没有对应月份的平均值
)

# 整理最终输出的列顺序，移除中间的year_month列
final_df = merged_df[['date', 'Direct_Connection', 'Assoc_dir_avg', 'Indirect_Connection', 'Ass_indir_avg']]

方法二：用字典映射（性能更优） #

如果你的数据量很大（多年完整数据），这种方法的执行效率会更高，因为它直接通过字典做映射，避免了merge的额外开销：

import pandas as pd

# 第一步：转换日期类型
df_1['date'] = pd.to_datetime(df_1['date'])
df_2['date'] = pd.to_datetime(df_2['date'])

# 第二步：将df_2转换成「年月周期: 平均值」的字典
month_avg_map = df_2.set_index(df_2['date'].dt.to_period('M'))[[
    'Direct_Connection', 'Indirect_Connection'
]].to_dict('index')

# 第三步：直接给df_1添加平均值列
df_1['Assoc_dir_avg'] = df_1['date'].dt.to_period('M').map(
    lambda x: month_avg_map[x]['Direct_Connection']
)
df_1['Ass_indir_avg'] = df_1['date'].dt.to_period('M').map(
    lambda x: month_avg_map[x]['Indirect_Connection']
)

# 整理列顺序
final_df = df_1[['date', 'Direct_Connection', 'Assoc_dir_avg', 'Indirect_Connection', 'Ass_indir_avg']]

关键细节说明 #

• dt.to_period('M')：这个方法会把日期转换成「YYYY-MM」格式的周期对象，不管是周中日期还是月末日期，同一个月份的周期值完全一致，是最可靠的关联方式。
• 缺失值处理：如果df_1中存在某个月份在df_2里没有对应平均值，两种方法都会在对应列生成NaN，你可以根据需求用fillna()填充或者dropna()删除这些行。
• 列名一致性：重命名df_2的列是为了避免合并后出现重复列名，确保最终输出的列名和你期望的一致。

运行任意一种方法后，你都会得到和示例完全一致的输出结果。

内容的提问来源于stack exchange，提问作者moe_95