如何基于另一DataFrame的时间区间条件为当前DataFrame匹配取值

核心逻辑是先将字符串格式的时间统一转为datetime类型，再按照区间规则关联两个DataFrame，优先推荐性能更高的merge_asof方案：

完整实现代码 #

import pandas as pd

# 初始化原始数据
df1 = pd.DataFrame([1,2,3], 
                   index=['2020-12-31 23:00:00','2021-01-01 00:00:00','2021-01-01 01:00:00'],
                   columns=['origin_val'])
df2 = pd.DataFrame([['2020-01-01 00:00:00','2021-01-01 00:00:00',70],
                    ['2021-01-01 00:00:00','2022-01-01 00:00:00',65]],
                   columns=['From','To','Value'])

# 统一转换为datetime类型，避免字符串比较出现异常
df1.index = pd.to_datetime(df1.index)
df2[['From', 'To']] = df2[['From', 'To']].apply(pd.to_datetime)

# 用merge_asof实现区间匹配（大数据量优先选择，性能远高于逐行遍历）
result = pd.merge_asof(
    left=df1.reset_index(),
    right=df2.sort_values('From'), # merge_asof要求右表匹配键为升序
    left_on='index',
    right_on='From',
    direction='backward'
)
# 补充筛选小于To的条件，匹配业务规则
result = result[result['index'] < result['To']]
# 还原索引，保留目标列
result = result.set_index('index')[['origin_val', 'Value']]

执行后得到的result就是你需要的目标DataFrame，索引与原df1完全一致，两列分别为原df1的数值和匹配到的Value。

小数据量简化方案 #

如果数据量很小，可以用更直观的逐行匹配写法：

def match_value(dt):
    filter_df = df2[(df2['From'] <= dt) & (df2['To'] > dt)]
    return filter_df['Value'].iloc[0] if not filter_df.empty else pd.NA

df1['Value'] = df1.index.map(match_value)

内容的提问来源于stack exchange，提问作者PYTHON