python - 在不完全匹配的时间戳上合并两个 Pandas 数据帧

Question

我尝试在网站上搜索实现此目的的好方法(也尝试了一些关于分箱和时间序列的想法)但仍然找不到合适的解决方案。

问题来了

我有两个数据框:

    index   name    time            price
1,  AAA,    11:37:09.359479,    58.480000,10
2,  ABC,    11:37:15.403268,    0.5000000,3
3,  ABB,    11:37:15.491515,    0.4500000,2
4,  AAA,    11:37:15.604864,    0.5000000,1
5,  ABC,    11:37:16.628756,    0.1800000,20
6,  ABD,    11:37:21.083105,    0.8000000,7
7,  AAA,    11:37:21.423480,    79.030000,10


index   name    time            price

1,  ABB,    11:37:15.491525,    0.4500000,2
2,  AAA,    11:37:15.604884,    0.5000000,1
3,  ABC,    11:37:16.628796,    0.1800000,20

正如您所看到的，数据帧 1 中的索引 3、4、5 与数据帧 2 中的索引 1、2、3 相对应

我需要将这些数据帧合并到“时间”列中的一个，这样对于数据帧 1 中的记录 3、4、5，数据帧 2 中的索引 1、2、3 位于右侧。

应该是这样的结果:

index_x name_x  time_x          price_x         name_y  time_y          price_y
1,  AAA,    11:37:09.359479,    58.480000,10    Nan ...
2,  ABC,    11:37:15.403268,    0.5000000,3     Nan ..  
3,  ABB,    11:37:15.491515,    0.4500000,2     ABB,    11:37:15.491525,    0.4500000,2
4,  AAA,    11:37:15.604864,    0.5000000,1     AAA,    11:37:15.604884,    0.5000000,1
5,  ABC,    11:37:16.628756,    0.1800000,20    ABC,    11:37:16.628796,    0.1800000,20
6,  ABD,    11:37:21.083105,    0.8000000,7     Nan ..
7,  AAA,    11:37:21.423480,    79.030000,10    Nan ..

我遇到了麻烦，因为时间不完全相同(查看最后 2 微秒)。有没有一种很好的合并方式，即按时合并这些时间不完全匹配，但可能给出一些匹配阈值？此外，每条记录的匹配项不应超过一个。

如果清楚了请告诉我。

非常感谢您!

Answer 1

不幸的是，这些“势均力敌”在 pandas 中很少有 super 简单的解决方案，但这还算不错。您可以做的是从@CharlieHaley 的解决方案开始，然后将其放入一个循环中，这样您就可以进行最精确的匹配并丢弃不太精确的匹配。

当然，这仍然让您决定使用哪种精度级别(如“decimal_range”中指定的那样)。我从 7 开始范围以保持输出简洁，但您希望从 1 开始，然后决定要运行它的高度，因为数字越大匹配越不精确。

(注意:我假设您的初始数据帧是“df1”和“df2”，并且“时间”是一个字符串，如果不是，您需要先将其转换为字符串。)

decimal_range = range(7,9)

df1 = df1.reset_index()   # this creates column 'index' later used for
                          # dropping duplicates.  depending on your
                          # goals, may want to do for df2 instead of df1  
df3=pd.DataFrame()

for i in decimal_range:
    df1['time2'] = df1['time'].str[:-i]
    df2['time2'] = df2['time'].str[:-i]
    df3 = df3.append( df1.merge(df2,on=['name','time2'], how='inner'), )

df4 = df3.drop_duplicates(subset=['index','name'])

显示中间输出可能会使这一点更清楚。在 i=7 合并时，有 3 个匹配项，但在 i=8 处有 4 个匹配项。 “time2”列显示用于匹配的精度。

df3

   index name           time_x  price_x     time2           time_y  price_y
0      2  ABB  11:37:15.491515     0.45  11:37:15  11:37:15.491525     0.45
1      3  AAA  11:37:15.604864     0.50  11:37:15  11:37:15.604884     0.50
2      4  ABC  11:37:16.628756     0.18  11:37:16  11:37:16.628796     0.18
0      1  ABC  11:37:15.403268     0.50   11:37:1  11:37:16.628796     0.18
1      4  ABC  11:37:16.628756     0.18   11:37:1  11:37:16.628796     0.18
2      2  ABB  11:37:15.491515     0.45   11:37:1  11:37:15.491525     0.45
3      3  AAA  11:37:15.604864     0.50   11:37:1  11:37:15.604884     0.50

累积匹配后，只需删除重复项以保持更精确的匹配。

df4

   index name           time_x  price_x     time2           time_y  price_y
0      2  ABB  11:37:15.491515     0.45  11:37:15  11:37:15.491525     0.45
1      3  AAA  11:37:15.604864     0.50  11:37:15  11:37:15.604884     0.50
2      4  ABC  11:37:16.628756     0.18  11:37:16  11:37:16.628796     0.18
0      1  ABC  11:37:15.403268     0.50   11:37:1  11:37:16.628796     0.18