基于时间戳合并不同时间间隔的GPS与NO2浓度DataFrame

Hey there! 这个时间序列合并的需求很常见，用pandas就能轻松解决，我给你分几种实用的场景来拆解，你可以根据自己的分析目标来选：

先做准备工作：确保索引是标准datetime类型 #

不管用哪种方法，第一步得把两个DataFrame的时间索引转换成pandas可识别的datetime类型，而且要排序（很多时间序列操作要求有序索引）：

import pandas as pd

# 转换并排序GPS数据的索引
df_gps.index = pd.to_datetime(df_gps.index)
df_gps = df_gps.sort_index()

# 转换并排序NO2数据的索引
df_no2.index = pd.to_datetime(df_no2.index)
df_no2 = df_no2.sort_index()

场景1：保留NO2的高频数据，匹配最近的GPS坐标 #

如果你的需求是每一条NO2数据都对应一个GPS位置（比如要绘制每个NO2采样点的空间分布），用merge_asof绝对是最佳选择——它专门用来处理异步时间序列的合并，能给每个NO2的时间点匹配最近的GPS数据：

# 匹配每个NO2时间点之前最近的GPS数据（direction='backward'）
merged_df = pd.merge_asof(
    df_no2, 
    df_gps, 
    left_index=True, 
    right_index=True, 
    direction='backward'
)

# 可选：如果你想匹配之后最近的GPS数据，把direction改成'forward'
# 或者想匹配距离最近的（不管前后），用direction='nearest'

这种方式不会丢失任何NO2的高频数据，每个采样点都能拿到对应的GPS坐标，非常适合时空关联分析。

场景2：将NO2聚合到GPS的3秒时间间隔上 #

如果你的分析更关注GPS的时间节点（比如想看每个GPS位置对应的NO2平均浓度），那就把高频的NO2数据聚合到GPS的3秒间隔上：

# 方法1：直接重采样NO2到3秒间隔，用均值聚合（也可以用first/last/max等）
df_no2_resampled = df_no2.resample('3S').mean()
# 合并GPS和重采样后的NO2，丢弃无匹配的行
merged_df = pd.concat([df_gps, df_no2_resampled], axis=1).dropna()

# 方法2：按GPS的时间点分组，聚合每个时间窗口内的NO2数据
# 适合GPS间隔不是严格3秒的情况
merged_df = df_no2.groupby(pd.cut(df_no2.index, bins=df_gps.index)).mean()
# 把分组后的区间索引换成GPS的时间点
merged_df.index = df_gps.index[:-1]

这种方式得到的最终数据和GPS的时间间隔完全一致，方便按GPS位置做浓度分析。

一些关键注意事项 #

• 一定要确保索引是排序后的datetime类型：merge_asof和重采样操作都依赖有序的时间索引，否则会报错或得到错误结果。
• 缺失值处理：合并后可能会有少量缺失值（比如GPS时间范围外的NO2数据），可以用merged_df.fillna(method='ffill')向前填充，或者根据业务逻辑选择填充方式。
• 选择哪种合并方式，核心看你的分析目标：要保留高频细节选场景1，要对齐GPS时间粒度选场景2。

内容的提问来源于stack exchange，提问作者jspaeth