按日期区间求和合并两个DataFrame：Excel SUMIFS等效实现

嘿，我懂你要实现的就是类似Excel里SUMIFS的区间求和功能，而且因为日期区间可能不规则，常规的merge、resample确实不好用。先给你修正下原始代码里的小错误（你写了len(df.Date)，但df还没定义，应该用对应DataFrame的长度），然后给你三种纯Pandas的解决方案，从简单到高效都有：

先修正原始代码的小问题 #

你的代码里存在几处引用未定义变量的错误，修正后可直接运行：

import pandas as pd
import datetime
import numpy as np

# 修正df1的错误：将df.Date改为df1的长度
df1 = pd.DataFrame()
df1["StartDate"] = pd.date_range(start=('2016/01/01'), end=('2017/12/31'), freq="6D")
df1["EndDate"] = df1["StartDate"] + datetime.timedelta(5)
df1["Value_three"] = pd.Series(np.random.randn(len(df1)) + 2)

# 修正df2的错误：将df.Date改为df2的长度
df2 = pd.DataFrame()
df2["Date"] = pd.date_range(start=('2016/01/01'), end=('2017/12/31'), freq="D")
df2["Value_one"] = pd.Series(np.random.randn(len(df2)))
df2["Value_two"] = pd.Series(np.random.randn(len(df2)) + 1)

方法一：逐行apply（逻辑简单，适合小数据量） #

这个方法最直观，和Excel的SUMIFS逻辑完全对应，逐行筛选df2中符合区间的日期并求和：

# 定义区间求和函数
def calculate_interval_sum(row):
    # 筛选df2中Date在当前行StartDate和EndDate之间的记录
    mask = (df2["Date"] >= row["StartDate"]) & (df2["Date"] <= row["EndDate"])
    # 返回Value_one和Value_two的求和结果
    return pd.Series([df2.loc[mask, "Value_one"].sum(), df2.loc[mask, "Value_two"].sum()])

# 将结果赋值给df1的新列
df1[["Sum_one", "Sum_two"]] = df1.apply(calculate_interval_sum, axis=1)

优点：逻辑清晰，容易理解和调试；缺点：逐行循环效率较低，适合df1行数较少的场景（比如几百行以内）。

方法二：numpy广播向量化（高效，适合大数据量） #

利用numpy的广播机制把区间比较转换成矩阵操作，直接通过矩阵乘法求和，效率比apply高一个数量级：

# 将df2的日期和数值转换成numpy数组，方便广播操作
dates = df2["Date"].to_numpy()
values_one = df2["Value_one"].to_numpy()
values_two = df2["Value_two"].to_numpy()

# 提取df1的起始、结束日期数组
starts = df1["StartDate"].to_numpy()
ends = df1["EndDate"].to_numpy()

# 广播生成布尔矩阵：每一行对应df1的一个区间，每一列对应df2的一个日期
mask = (dates >= starts[:, np.newaxis]) & (dates <= ends[:, np.newaxis])

# 通过矩阵乘法直接求和（布尔值会被视为0/1，相乘后求和就是符合条件的数值总和）
df1["Sum_one"] = mask @ values_one
df1["Sum_two"] = mask @ values_two

优点：完全向量化操作，速度极快，适合大数据量场景；缺点：如果df1和df2的行数极大（比如百万级），布尔矩阵会占用较多内存，可考虑分块处理。

方法三：利用IntervalIndex分组（可读性好，效率均衡） #

把df1的日期区间转换成Pandas的Interval类型，再给df2的每个日期匹配所属区间，最后分组求和：

# 给df1创建区间列（closed="both"表示包含区间两端的日期）
df1["Interval"] = pd.IntervalIndex.from_arrays(df1["StartDate"], df1["EndDate"], closed="both")

# 给df2的每个日期找到对应的df1区间索引
df2["interval_idx"] = df2["Date"].apply(lambda x: df1["Interval"].get_loc(x))

# 按区间索引分组求和，再合并回df1
sum_result = df2.groupby("interval_idx")[["Value_one", "Value_two"]].sum()
sum_result = sum_result.rename(columns={"Value_one": "Sum_one", "Value_two": "Sum_two"})
df1 = df1.join(sum_result, how="left")

优点：代码可读性强，效率介于apply和广播之间；注意：如果df2存在不在任何df1区间的日期，get_loc会报错，可提前检查或添加异常处理（你的场景里区间是连续覆盖的，所以没问题）。

内容的提问来源于stack exchange，提问作者SJEL