如何在Pandas中按日期列连接同/不同频率的DataFrame？

嘿，我来帮你解决Pandas里按日期连接不同DataFrame的问题，咱们针对你给出的三个场景逐一拆解，每个场景都附上可直接运行的代码和思路说明：

场景1：同频率（月度）但日期不全匹配的左连接 #

这个场景里两个DataFrame都是月度日期，只是slow的日期更少，咱们直接用pd.merge按date列做左连接就行，分别以fast和slow为基准：

import pandas as pd

# 初始化数据
fast = pd.DataFrame({ 
    'date': pd.to_datetime(['2018-01', '2018-02', '2018-03', '2018-04', '2018-05', '2018-06']), 
    'store': ['A'] * 3 + ['B'] * 3, 
    'sales': [3000, 2000, 1800, 1700, 1500, 1600]
}) 
slow = pd.DataFrame({ 
    'date': pd.to_datetime(['2018-01', '2018-03', '2018-06']), 
    'temp': [45, 55, 70]
})

# 以fast为基准的左连接
alligned_left_fast = pd.merge(fast, slow, on='date', how='left')
# 以slow为基准的左连接
alligned_left_slow = pd.merge(slow, fast, on='date', how='left')

思路说明：因为两个DataFrame的日期频率完全一致（都是月度），直接通过on='date'指定连接键，how='left'保留基准DataFrame的所有行，匹配不到的列会填充NaN。

场景2：同频率但日期点不对齐的左连接 #

这里注意你给出的unaligned_df2代码有小问题，我先修正了（pd.to_datetime不能直接传periods参数，改用pd.date_range）。这个场景是同频率但日期不是完全重合的点，咱们用pd.merge_asof做近似日期匹配：

import pandas as pd

# 初始化数据
unaligned_df1 = pd.DataFrame({ 
    'date': pd.to_datetime(['2018-01', '2018-02', '2018-03', '2018-04', '2018-05', '2018-06']), 
    'store': ['A'] * 3 + ['B'] * 3, 
    'sales': [3000, 2000, 1800, 1700, 1500, 1600]
}) 
# 修正后的unaligned_df2创建代码
unaligned_df2 = pd.DataFrame({ 
    'date': pd.date_range('2018-02-11', periods=6, freq='30D'), 
    'temp': [105, 95, 87, 78, 66, 55]  # 补全对应6个日期的temp值
})

# merge_asof要求两个DataFrame按连接键排序
df1_sorted = unaligned_df1.sort_values('date')
df2_sorted = unaligned_df2.sort_values('date')

# 左连接，以df1的日期为基准，匹配最近的不大于当前日期的df2日期
Unaligned_merged_left_date_index = pd.merge_asof(df1_sorted, df2_sorted, on='date', direction='backward')

思路说明：merge_asof专门用于时间序列的近似匹配，适合同频率但日期点不对齐的场景。direction='backward'表示为每个df1的日期找最近的、不晚于它的df2日期，你也可以根据需求换成forward（找不早于的）或nearest（找最近的）。

场景3：不同频率（日度vs月度）的连接 #

这个场景里一个是日度数据，一个是月度数据，咱们需要先把高频的日度日期对齐到月度频率，再做连接：

import pandas as pd

# 初始化数据
unaligned_fast_diff_freq = pd.DataFrame({ 
    'date': pd.to_datetime(['2018-01-12', '2018-02-10', '2018-02-16', '2018-04-28', '2018-04-29', '2018-06-11']), 
    'store': ['A'] * 3 + ['B'] * 3, 
    'sales': [3000, 2000, 1800, 1700, 1500, 1600]
}) 
unaligned_slow_diff_freq = pd.DataFrame({ 
    'date': pd.to_datetime(['2018-04', '2018-05', '2018-01', '2018-06']), 
    'sales_monthly': [2700, 2500, 2600, 3300]  # 重命名列避免冲突
})

# 把日度日期转成月度周期，月度日期也统一转成相同格式
unaligned_fast_diff_freq['month'] = unaligned_fast_diff_freq['date'].dt.to_period('M')
unaligned_slow_diff_freq['month'] = unaligned_slow_diff_freq['date'].dt.to_period('M')

# 按月度周期连接，之后删除临时列
unaligned_fast_slow = pd.merge(unaligned_fast_diff_freq, unaligned_slow_diff_freq, on='month', how='left').drop('month', axis=1)

思路说明：不同频率的日期无法直接匹配，所以我们把日度数据向下采样到月度（用dt.to_period('M')生成月度周期对象），和月度数据的日期统一格式后，再用常规的merge连接。如果不想新增临时列，也可以用dt.floor('M')把日期对齐到当月第一天，直接作为连接键。

内容的提问来源于stack exchange，提问作者coder