Pandas中匹配Date列DataFrame以实现连接/合并的问题

我来帮你一步步搞定这个需求，核心思路是先把两个表的日期统一成标准格式，再按日期匹配合并，最后完成数据求和，具体操作如下：

1. 读取CSV并统一日期格式 #

首先我们需要把两个CSV文件读入Pandas，然后重点处理第一个CSV的缩写年份，将所有日期转为标准的datetime类型（这样合并时不会出现字符串匹配的误差）：

import pandas as pd

# 读取两个CSV文件
df1 = pd.read_csv("csv1.csv")  # 日期格式为 Aug-12（缩写年份）
df2 = pd.read_csv("csv2.csv")  # 日期包含完整年份对应数据

# 转换csv1的日期列：指定格式为「月份缩写-两位年份」
# %b 代表英文月份缩写（如Aug），%y代表两位年份（如12），Pandas会自动识别为2012
df1["Date"] = pd.to_datetime(df1["Date"], format="%b-%y")

# 转换csv2的日期列：如果是Aug-2012格式，直接用pd.to_datetime即可自动识别
df2["Date"] = pd.to_datetime(df2["Date"])

2. 按日期合并两个DataFrame #

接下来我们用merge方法按Date列合并两个表，因为你提到csv2只有41行对应数据，所以用**内连接（inner join）**可以只保留两个表都匹配的日期行：

# 内连接合并，用suffixes区分两个表的同名列
merged_df = pd.merge(
    df1, 
    df2, 
    on="Date", 
    how="inner", 
    suffixes=("_from_csv1", "_from_csv2")
)

3. 对匹配的数据求和合并 #

假设你需要对两个表的数值列（比如Value、Amount这类）求和，我们可以直接对对应列做加法：

# 示例：对单个数值列求和，替换成你实际的列名
merged_df["Total_Value"] = merged_df["Value_from_csv1"] + merged_df["Value_from_csv2"]

# 如果有多个数值列需要批量求和，可以这样处理
# 先筛选出两个表中的数值列（排除Date列）
num_cols_csv1 = [col for col in df1.columns if col != "Date"]
num_cols_csv2 = [col for col in df2.columns if col != "Date"]

# 遍历对应列并求和
for col1, col2 in zip(num_cols_csv1, num_cols_csv2):
    merged_df[f"Total_{col1}"] = merged_df[col1] + merged_df[col2]

4. 输出目标格式的结果 #

最后把日期列转换成你需要的mm-yyyy（比如Aug-2012）格式，然后保存为CSV：

# 将datetime类型的Date列转为目标字符串格式
merged_df["Date"] = merged_df["Date"].dt.strftime("%b-%Y")

# 保存结果到新CSV，不保留索引列
merged_df.to_csv("merged_result.csv", index=False)

注意事项 #

• 如果你的月份缩写是中文（比如「8月-12」），需要先设置Pandas的本地化环境，或者指定对应的format格式适配中文月份。
• 对于两位年份的识别，Pandas默认将00-69识别为2000-2069，70-99识别为1970-1999，你的数据是2012-2016，完全符合这个规则，不需要额外调整。

内容的提问来源于stack exchange，提问作者HP-Nunes