如何在DataFrame中基于datetime匹配快速新增APL_price列？

数据老陈

2026-5-15

高效实现Pandas新增匹配APL价格列的方法

嘿，完全不用写遍历函数！Pandas的向量化操作比手动循环高效太多了，这里有两种简洁的方案帮你搞定需求：

首先先还原你的示例数据：

import pandas as pd

data = {
    'name': ['APL', 'BBC', 'CPL', 'APL', 'BBC', 'CPL'],
    'datetime': ['10-1-12', '10-1-12', '10-1-12', '10-2-12', '10-2-12', '10-2-12'],
    'price': [1.92, 4.16, 4.99, 2.05, 5.16, 3.99]
}
df = pd.DataFrame(data)

方法一：用`map`快速映射（最简洁）

先提取APL的日期-价格映射关系，然后直接用datetime列去匹配：

# 构建APL的日期到价格的字典
apl_price_map = df[df['name'] == 'APL'].set_index('datetime')['price'].to_dict()

# 新增APL_price列
df['APL_price'] = df['datetime'].map(apl_price_map)

这样运行后，所有相同datetime的行都会自动匹配到对应APL的价格，APL自身的行也会显示自己的价格。如果想要把APL自身的APL_price设为null，只需要再加一行：

import numpy as np
df.loc[df['name'] == 'APL', 'APL_price'] = np.nan

方法二：用`merge`左连接（更灵活）

如果后续有更多关联需求，用合并的方式扩展性更强：

# 提取APL的日期和价格数据，重命名列
apl_df = df[df['name'] == 'APL'][['datetime', 'price']].rename(columns={'price': 'APL_price'})

# 按datetime左连接原DataFrame
df = df.merge(apl_df, on='datetime', how='left')

这种方法同样能实现需求，而且如果以后需要关联更多列，直接修改apl_df的列即可。