如何合并格式相同但索引范围不同的多个Pandas DataFrame

嘿，咱们来解决多个带Datetime索引的Pandas DataFrame合并的问题！看你已经搞定两个的情况了，批量合并其实也没那么复杂，我给你梳理几个最实用的方法：

方法一：按行堆叠（整合所有时间片段） #

如果你的每个DataFrame是同一份指标的不同时间片段（比如一个覆盖2000-2004，另一个覆盖2001-2004），想要合并成一个包含所有时间点的大DF，pandas.concat() 是最省心的选择，它会自动处理索引对齐，缺失值补NaN：

import pandas as pd

# 先把所有要合并的DataFrame放进一个列表里，比如 dfs = [df1, df2, df3, ...]
dfs = [df1, df2, df3]

# 核心合并代码
merged_df = pd.concat(dfs, axis=0, ignore_index=False, sort=True)

# 可选：如果多个DF有重复的时间索引行，去重保留第一行
merged_df = merged_df[~merged_df.index.duplicated(keep='first')]

关键参数说明：

• ignore_index=False：这是保留datetime索引的关键！你之前堆叠时索引被忽略，大概率是不小心设成了True
• sort=True：合并后自动按时间索引排序，结果更规整
• axis=0：按行堆叠（默认值，也可以省略）

方法二：按列合并（对齐时间索引生成宽表） #

如果你的每个DataFrame是不同数据源的同结构数据（比如不同站点的同一指标），想要按时间索引对齐合并成宽表，只需要把axis改成1：

# 按列合并，保留所有时间点
merged_df = pd.concat(dfs, axis=1, join='outer', sort=True)

# 进阶：给每个数据源的列加后缀，方便区分
merged_df = pd.concat(dfs, axis=1, join='outer', sort=True, keys=['站点A', '站点B', '站点C'])
merged_df.columns = merged_df.columns.map('_'.join)

参数说明：

• join='outer'：保留所有DF的时间点（如果用'inner'则只保留所有DF共有的时间点）
• keys参数：给每个DF的列加上前缀，避免列名重复混淆

为什么之前用merge没成功？ #

merge默认是按列名匹配，而非索引匹配，所以你需要手动指定按索引合并才行。如果一定要用merge批量处理，可以结合functools.reduce，但显然concat更简单：

from functools import reduce

# 按索引外连接合并多个DF
merged_df = reduce(lambda left, right: pd.merge(left, right, left_index=True, right_index=True, how='outer'), dfs)

额外小技巧：找到时间跨度最长的DF #

你提到不清楚哪个DF的时间范围最广，可以用这段代码快速定位：

# 计算每个DF的时间跨度，并存入列表
df_time_spans = []
for name, df in zip(['df1', 'df2', 'df3'], dfs):
    span = df.index.max() - df.index.min()
    df_time_spans.append((span, name))

# 找到跨度最长的DF
longest_df = max(df_time_spans, key=lambda x: x[0])[1]
print(f"时间跨度最长的DataFrame是：{longest_df}")

内容的提问来源于stack exchange，提问作者Dave