如何使用Python Pandas按另一DataFrame的时间值累加指定区间列数据

现有第一个DataFrame df1，结构如下：

volume
timestamp
2021-01-04 04:00:00   20
2021-01-04 04:30:00   5
2021-01-04 05:00:00   15
2021-01-04 05:30:00   5
2021-01-04 06:00:00   10
2021-01-04 06:30:00   5
2021-01-04 07:00:00   25
2021-01-04 07:30:00   5
2021-01-04 08:00:00   15
2021-01-05 04:00:00   25
2021-01-05 04:30:00   5
2021-01-05 05:00:00   5
2021-01-05 05:30:00   15
2021-01-05 06:00:00   10
2021-01-05 06:30:00   5
2021-01-05 07:00:00   15
2021-01-05 07:30:00   10
2021-01-05 08:00:00   20
...                  ...

第二个DataFrame df2结构如下：

high
timestamp                          
2021-01-04 05:30:00     134.43
2021-01-05 06:30:00     130.30
...                        ...

基于df2中的timestamp值，对df1中对应时间段的volume值分段求和：即统计2021-01-04当日04:00:00到05:30:00的volume总和，2021-01-05当日04:00:00到06:30:00的volume总和，最终得到如下结构的结果DataFrame：

volume_up_to_high
date
2021-01-04      45
2021-01-05      65
...            ... 

以下是最简实现方式：

import pandas as pd

# 1. 统一索引类型为datetime（若已经是datetime类型可跳过）
df1.index = pd.to_datetime(df1.index)
df2.index = pd.to_datetime(df2.index)

# 2. 预处理df2，提取日期维度和对应截止时间
df2_processed = df2.reset_index().assign(
    date = lambda x: x['timestamp'].dt.date
).set_index('date')['timestamp'].rename('cutoff_time')

# 3. 给df1添加日期维度，关联截止时间后过滤符合区间的记录
df1['date'] = df1.index.date
df_merged = df1.join(df2_processed, on='date')
df_filtered = df_merged[
    (df_merged.index >= pd.to_datetime(df_merged['date'].astype(str) + ' 04:00:00'))
    & (df_merged.index <= df_merged['cutoff_time'])
]

# 4. 按日期分组求和得到最终结果
result = df_filtered.groupby('date')['volume'].sum().to_frame('volume_up_to_high')

运行上述代码得到的result就是符合要求的结果，示例数据计算结果和需求中的预期值完全匹配。

内容的提问来源于stack exchange，提问作者QuantX