You need to enable JavaScript to run this app. 如何判定df1中时间点是否属于同ID在df2中对应的任意时间区间
优惠活动
大模型
产品
解决方案
定价
更多

如何判定df1中时间点是否属于同ID在df2中对应的任意时间区间

实现方案(Python Pandas 环境)

第一步:时间字段预处理

首先统一两个表的时间格式,把df1的日期和时间拼接为完整的时间戳,所有时间字段转为pandas的datetime类型,避免字符串比较出错:

import pandas as pd

# 预处理df1:拼接date和time为完整时间点
df1['datetime'] = pd.to_datetime(df1['date'] + ' ' + df1['time'])
# 预处理df2:转换起止时间为datetime类型
df2['start'] = pd.to_datetime(df2['start'])
df2['end'] = pd.to_datetime(df2['end'])

第二步:匹配判断

可根据你的数据量选择对应方案:

方案1:数据量较小场景(万级及以下)

直接按ID聚合区间,逐行判断即可,写法简单易调试:

# 先把df2按ID聚合,存储每个ID对应的所有时间区间
id_intervals = df2.groupby('ID').apply(lambda x: list(zip(x['start'], x['end']))).to_dict()

# 定义判断逻辑:检查当前行时间是否落在对应ID的任意区间内
def check_in_interval(row):
    intervals = id_intervals.get(row['ID'], [])
    for start, end in intervals:
        if start <= row['datetime'] <= end:
            return 1
    return 0

# 生成mark列
df1['mark'] = df1.apply(check_in_interval, axis=1)
# 得到最终结果,可按需删除临时生成的datetime列
df1_new = df1.drop(columns=['datetime'])

方案2:数据量较大场景(十万级及以上)

用pandas的merge_asof做高效匹配,避免逐行遍历的性能损耗:

# merge_asof要求关联字段有序,先对两个表按ID和时间字段排序
df1_sorted = df1.sort_values(['ID', 'datetime']).reset_index(drop=True)
df2_sorted = df2.sort_values(['ID', 'start']).reset_index(drop=True)

# 按ID关联,匹配小于等于当前时间点的最大start时间
merged = pd.merge_asof(
    df1_sorted, 
    df2_sorted,
    by='ID',
    left_on='datetime',
    right_on='start',
    direction='backward'
)

# 判断匹配到的start对应的end是否大于等于当前时间点,是则标记1否则0
merged['mark'] = (merged['end'] >= merged['datetime']).astype(int)
# 整理得到符合要求的最终结果
df1_new = merged[['ID', 'date', 'time', 'mark']].reset_index(drop=True)

提示:如果你的区间判断规则是左闭右开、左开右闭等,调整判断条件里的等号即可,两种方案都支持同一个ID下存在重叠区间的场景。

内容的提问来源于stack exchange,提问作者Sim

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.19 22:36:07