Pandas高级合并：整合不同时间间隔的DataFrame

本教程详细阐述了如何使用pandas合并具有不同时间步长的dataframe，尤其是在处理不规则时间序列数据时。核心方法是利用 `pd.merge` 的 `how='outer'` 参数，确保所有数据帧中的独特时间戳都被保留，并对缺失值使用 `nan` 进行填充，从而实现数据的完整对齐和整合。

在数据分析和处理中，我们经常会遇到需要整合来自不同来源、但都基于时间序列的数据。这些数据可能以不同的采样频率或时间步长记录，例如10分钟、15分钟或30分钟间隔。直接使用简单的拼接（pd.concat）或内连接（pd.merge 默认行为）往往无法达到预期效果，因为它可能导致数据丢失或无法正确对齐。本教程将介绍如何利用Pandas的强大合并功能，特别是 pd.merge(how='outer')，来高效地解决这类问题，确保所有时间点的数据都被妥善保留。

核心问题与挑战

当合并多个具有不同时间戳间隔的DataFrame时，主要挑战在于：

1. 保留所有独特的时间戳： 无论某个时间戳只存在于一个DataFrame中，还是存在于多个DataFrame中，最终结果都应包含所有这些时间戳。
2. 正确对齐数据： 对于存在于多个DataFrame中的时间戳，其对应的数据应被正确合并到同一行。
3. 处理缺失值： 如果某个时间戳在某个DataFrame中不存在，但在其他DataFrame中存在，则合并后该DataFrame对应列的数据应显示为 NaN。

传统的 pd.concat 函数通常用于堆叠DataFrame，而 pd.merge 的默认 inner 连接则只保留在所有DataFrame中都存在的键。这两种方法都无法满足上述“保留所有独特时间戳并填充 NaN”的需求。

解决方案：使用 pd.merge(how='outer')

pd.merge 函数结合 how='outer' 参数是解决此问题的理想方案。outer 合并（也称为全外连接）会返回所有DataFrame中所有匹配和不匹配的行，对于不匹配的行，缺失的列值将用 NaN 填充。

GitFluence

AI驱动的Git命令生成器，可帮助您快速找到正确的命令

88

查看详情

步骤详解

1. 数据准备与时间戳转换： 首先，我们需要创建示例DataFrame，并确保所有时间戳列都已正确转换为Pandas的 datetime 对象。这是进行任何时间序列操作的关键前提。

   import pandas as pd
   import numpy as np
   
   # 示例数据
   data1 = {
       'Timestamp': ['2019/04/02 10:00:00', '2019/04/02 10:10:00', '2019/04/02 10:20:00', '2019/04/02 10:30:00'],
       'data1': [1, 1, 1, 1]
   }
   df1 = pd.DataFrame(data1)
   
   data2 = {
       'Timestamp': ['2019/04/02 10:00:00', '2019/04/02 10:15:00', '2019/04/02 10:30:00', '2019/04/02 10:45:00', '2019/04/02 11:00:00'],
       'data2': [2, 22, 222, 2222, 22222]
   }
   df2 = pd.DataFrame(data2)
   
   data3 = {
       'Timestamp': ['2019/04/02 10:00:00', '2019/04/02 10:30:00', '2019/04/02 11:00:00', '2019/04/02 11:30:00'],
       'data3': [3, 33, 333, 3333]
   }
   df3 = pd.DataFrame(data3)
   
   # 将Timestamp列转换为datetime类型
   df1['Timestamp'] = pd.to_datetime(df1['Timestamp'])
   df2['Timestamp'] = pd.to_datetime(df2['Timestamp'])
   df3['Timestamp'] = pd.to_datetime(df3['Timestamp'])
   
   print("df1:\n", df1)
   print("\ndf2:\n", df2)
   print("\ndf3:\n", df3)

   登录后复制

2. 执行链式外连接合并： 通过链式调用 pd.merge，我们可以将多个DataFrame逐步合并。每次合并都使用 how='outer' 策略，以确保所有独特的时间戳都被累积到结果中。

   # 使用how='outer'进行合并
   # 第一次合并df1和df2
   result = pd.merge(df1, df2, on='Timestamp', how='outer')
   print("\n第一次合并 (df1, df2):\n", result)
   
   # 第二次合并结果与df3
   result = pd.merge(result, df3, on='Timestamp', how='outer')
   print("\n第二次合并 (result, df3):\n", result)

   登录后复制

3. 结果排序： 合并后的DataFrame可能不会按照时间戳顺序排列，因此需要对结果进行排序，以获得清晰、有序的时间序列数据。

   # 对最终结果按Timestamp排序
   result = result.sort_values('Timestamp').reset_index(drop=True)
   
   print("\n最终合并结果 (按Timestamp排序):\n", result)

   登录后复制

完整代码示例

import pandas as pd
import numpy as np

# 1. 准备示例数据
data1 = {
    'Timestamp': ['2019/04/02 10:00:00', '2019/04/02 10:10:00', '2019/04/02 10:20:00', '2019/04/02 10:30:00'],
    'data1': [1, 1, 1, 1]
}
df1 = pd.DataFrame(data1)

data2 = {
    'Timestamp': ['2019/04/02 10:00:00', '2019/04/02 10:15:00', '2019/04/02 10:30:00', '2019/04/02 10:45:00', '2019/04/02 11:00:00'],
    'data2': [2, 22, 222, 2222, 22222]
}
df2 = pd.DataFrame(data2)

data3 = {
    'Timestamp': ['2019/04/02 10:00:00', '2019/04/02 10:30:00', '2019/04/02 11:00:00', '2019/04/02 11:30:00'],
    'data3': [3, 33, 333, 3333]
}
df3 = pd.DataFrame(data3)

# 2. 将Timestamp列转换为datetime类型
df1['Timestamp'] = pd.to_datetime(df1['Timestamp'])
df2['Timestamp'] = pd.to_datetime(df2['Timestamp'])
df3['Timestamp'] = pd.to_datetime(df3['Timestamp'])

# 3. 使用how='outer'进行链式合并
result = pd.merge(df1, df2, on='Timestamp', how='outer')
result = pd.merge(result, df3, on='Timestamp', how='outer')

# 4. 对最终结果按Timestamp排序
result = result.sort_values('Timestamp').reset_index(drop=True)

print("最终合并结果:")
print(result)

输出结果：

最终合并结果:
            Timestamp  data1    data2  data3
0 2019-04-02 10:00:00    1.0      2.0    3.0
1 2019-04-02 10:10:00    1.0      NaN    NaN
2 2019-04-02 10:15:00    NaN     22.0    NaN
3 2019-04-02 10:20:00    1.0      NaN    NaN
4 2019-04-02 10:30:00    1.0    222.0   33.0
5 2019-04-02 10:45:00    NaN   2222.0    NaN
6 2019-04-02 11:00:00    NaN  22222.0  333.0
7 2019-04-02 11:30:00    NaN      NaN 3333.0

这个结果与问题中“desired result”完全一致，成功地将所有独特的时间戳整合到一起，并用 NaN 填充了缺失的数据。

注意事项与最佳实践

• 时间戳类型统一： 确保所有参与合并的DataFrame的时间戳列都已转换为 datetime 类型。类型不一致会导致合并失败或结果不正确。
• 性能考量： 对于非常大的DataFrame，链式合并可能会占用较多内存和计算时间。在这种情况下，可以考虑先创建一个包含所有独特时间戳的完整时间索引，然后对每个DataFrame进行 reindex 操作，最后再进行简单的 concat。
• merge_asof 的适用性： Pandas提供了 pd.merge_asof 函数，专门用于近似合并时间序列数据。例如，它可以用于前向填充（direction='forward'）、后向填充（direction='backward'）或最近匹配（direction='nearest'）。然而，在本教程所示的“保留所有独特时间戳并填充 NaN”的需求下，merge_asof 并不直接适用，因为它会尝试根据最近的时间戳填充值，而不是简单地保留 NaN。merge_asof 更适合于需要查找在某个时间点之前或之后最近的可用数据点来填充缺失值的情况。
• 索引合并： 如果时间戳列被设置为DataFrame的索引，可以使用 df.join() 方法进行合并，其行为与 pd.merge 类似，并且在处理索引时可能更简洁。

总结

合并具有不同时间步长的Pandas DataFrame是数据处理中的常见任务。通过掌握 pd.merge 函数的 how='outer' 参数，我们可以有效地整合来自多个源的不规则时间序列数据，确保所有时间戳都得到保留，并用 NaN 标记缺失值。这种方法提供了一个强大而灵活的解决方案，适用于需要全面视图并精确对齐时间序列数据的场景。

以上就是Pandas高级合并：整合不同时间间隔的DataFrame的详细内容，更多请关注php中文网其它相关文章！