求助：为交易DataFrame匹配对应日期的账户策略列

我来帮你搞定这个问题！你现在需要给交易数据df2新增一列，匹配对应账户在交易日期时生效的策略，之前的两种apply方法报错是因为语法和逻辑上的小问题，我来拆解一下原因并给出可行方案：

先明确前提：转换日期类型 #

首先要注意的是，你的原始数据里日期是字符串格式，虽然看起来能比较，但为了避免潜在的格式问题，第一步先把所有日期列转成datetime类型：

import pandas as pd

# 原始数据
strategy_data = [['001', '2018-03-02', '2018-03-04', 'strat1'],['001', '2018-03-05', '2018-03-10', 'strat2'],['002', '2018-02-01', '2018-03-02', 'strat2']]
df = pd.DataFrame(strategy_data, columns = ['acc', 'd1', 'd2', 'strat'])
transaction_data = [['001', '2018-03-02', 234], ['001', '2018-03-03', 432], ['001', '2018-03-07', 543], ['002', '2018-02-20', 543]]
df2 = pd.DataFrame(transaction_data, columns = ['acc', 'd', 'am'])

# 转换日期为datetime类型
df[['d1', 'd2']] = df[['d1', 'd2']].apply(pd.to_datetime)
df2['d'] = pd.to_datetime(df2['d'])

分析你的报错原因 #

方案1的问题 #

• df.loc(lambda df: df['acc'] == acc) 这种写法不符合loc的用法，loc接受的是布尔掩码或者标签，不是lambda函数；
• return df3['strat'].value 这里应该用.values[0]来取具体的策略值，.value是pandas的一个属性，不是用来取值的；
• apply里的参数写错了，应该是axis=1（表示逐行处理），而不是index=1。

方案2的问题 #

• df.d1 <= row['d'] <= df.d2 这种链式比较会生成一个布尔Series，直接放到loc里会触发"truth value ambiguous"的错误，因为pandas无法判断整个Series的真假，你需要把它拆成两个条件，用&连接，并且给每个条件加上括号（因为运算符优先级的问题）；
• 没有提取具体的策略值，直接返回了Series，导致赋值失败。

修正后的apply方案 #

方案1修正版 #

先写一个清晰的匹配函数，再用apply调用：

def return_strat(acc, date):
    # 生成布尔掩码：匹配账户 + 交易日期在策略区间内
    mask = (df['acc'] == acc) & (df['d1'] <= date) & (df['d2'] >= date)
    # 返回对应的策略值（假设每个日期对应唯一策略，取第一个结果）
    return df.loc[mask, 'strat'].values[0]

# 给df2新增strat列
df2['strat'] = df2.apply(lambda row: return_strat(row['acc'], row['d']), axis=1)

方案2修正版 #

把逻辑直接写到lambda里，注意条件的写法：

df2['strat'] = df2.apply(
    lambda row: df.loc[
        (df['acc'] == row['acc']) & 
        (df['d1'] <= row['d']) & 
        (df['d2'] >= row['d']), 
        'strat'
    ].values[0], 
    axis=1
)

更高效的非apply方案（推荐） #

apply是逐行处理，数据量大的时候效率很低，推荐用merge加布尔筛选的向量化方法：

# 先按账户合并两个DataFrame
merged_df = pd.merge(df2, df, on='acc', how='left')
# 筛选交易日期在策略区间内的行
valid_rows = merged_df[(merged_df['d'] >= merged_df['d1']) & (merged_df['d'] <= merged_df['d2'])]
# 整理成最终结果（保留交易数据的列+策略列）
final_df = valid_rows.drop(columns=['d1', 'd2']).reset_index(drop=True)

验证结果 #

不管用哪种方法，最终得到的df2（或final_df）都会是：

acc          d   am   strat
0  001 2018-03-02  234  strat1
1  001 2018-03-03  432  strat1
2  001 2018-03-07  543  strat2
3  002 2018-02-20  543  strat2

内容的提问来源于stack exchange，提问作者Karin Hahn