如何在Pandas中实现类似SQL ON子句带多条件的左连接

我明白你的问题啦！你当前遇到的核心差异是：SQL里的LEFT JOIN在ON子句中添加额外条件时，是先筛选出t2中符合条件的行再和t1连接，并且会保留t1中所有没有匹配到t2的行；而你现在的Pandas代码是先把t1和t2按key全量左连接，再过滤条件，这会把t1中那些虽然key匹配但不满足x2/y2条件的行，以及完全没有匹配到t2的行都删掉，结果自然和SQL逻辑不一致。

给你两种可行的解决方案，都能精准还原SQL的效果：

方案一：先筛选符合条件的匹配关系再左连接 #

这种方法先通过交叉合并找到所有满足key匹配+额外条件的行，再和t1左连接，能减少后续合并的数据量，适合数据规模较大的场景：

# 先获取所有满足连接条件的(key, x, y)与t2的匹配对
matched_pairs = t1[['key', 'x', 'y']].merge(t2, on='key')
matched_pairs = matched_pairs[(matched_pairs['x2'] <= matched_pairs['x']) & (matched_pairs['y2'] > matched_pairs['y'])]

# 再用t1和筛选后的匹配对左连接，保留t1所有行
df = t1.merge(matched_pairs, on=['key', 'x', 'y'], how='left')

方案二：全量左连接后保留符合条件的行（含无匹配的t1行） #

如果你更习惯先完成全量左连接再调整结果，可以用这种方式：

# 先执行全量左连接
df = t1.merge(t2, how='left', on='key')

# 筛选条件：要么是t2无匹配（x2为NaN），要么满足x2<=x且y2>y
condition = df['x2'].isna() | ((df['x2'] <= df['x']) & (df['y2'] > df['y']))
df = df[condition]

这两种方法都能实现和你给出的SQL完全一致的结果，你可以根据自己的数据情况选择更合适的方式。

备注：内容来源于stack exchange，提问作者BD1903