Pandas时间序列精准索引问题：匹配对应索引值失败求解

嘿，这个问题我之前踩过坑！核心原因是两个DataFrame的时间索引精度不匹配，咱们来拆解解决办法：

问题根源 #

你代码里的两个时间索引看起来都是2017-12-15 18:00相关，但实际存在精度差异：

• df_lookup的索引中有'2017-12-15 18:00'（无秒数后缀），转成datetime后是精确到分钟的时间戳
• avg_30min的索引是'2017-12-15 18:00:00'（带秒数后缀），转成datetime后是精确到秒的时间戳

Pandas的时间索引是严格精确匹配的，哪怕时间数值看起来一致，只要精度级别不同，就会被判定为不同的标签，这就是你触发KeyError的原因。而iloc是按位置索引的，你传入时间戳自然会报类型错误。

解决方案 #

方法1：统一两个DataFrame的索引精度 #

这是最直接的方案，把两个索引都转换成相同的精度（比如统一到秒级）：

# 将df_lookup的索引转换为秒级精度
df_lookup.index = df_lookup.index.floor('S')
# 同步转换avg_30min的索引（确保精度完全一致）
avg_30min.index = avg_30min.index.floor('S')

之后再用loc就能精准匹配：

for idx, row in avg_30min.iterrows():
    value_in_lookup_df = df_lookup.loc[idx]
    # 后续绘图操作

方法2：查找时动态转换时间精度 #

如果不想修改原DataFrame的索引，可以在循环里把avg_30min的索引转换成和df_lookup一致的精度：

for idx, row in avg_30min.iterrows():
    # 将当前索引转换为df_lookup索引的精度（这里是分钟级）
    matched_idx = idx.floor('min')
    # 先检查索引是否存在，避免触发KeyError
    if matched_idx in df_lookup.index:
        value_in_lookup_df = df_lookup.loc[matched_idx]
        # 你的后续操作
    else:
        print(f"警告：索引{matched_idx}在df_lookup中不存在")

方法3：用merge批量匹配（更高效） #

如果数据量较大，循环会比较慢，推荐用merge一次性完成匹配：

# 给两个DataFrame添加统一精度的匹配列
df_lookup['match_time'] = df_lookup.index.floor('S')
avg_30min['match_time'] = avg_30min.index.floor('S')

# 内连接获取所有匹配的行
matched_df = pd.merge(df_lookup, avg_30min, on='match_time', how='inner')

# 直接从匹配结果中提取数据，无需循环
for _, row in matched_df.iterrows():
    # row中包含两个DataFrame的匹配数据
    pass

内容的提问来源于stack exchange，提问作者Alberto Chiusole