Python 如何将两个熊猫数据框放在一起，其中一个数据框缺少日期

我在一个数据框中有历史股票行情数据，在另一个数据框中有历史股息数据。它们看起来像这样：

        Date        High        Low         Open        Close       Volume      Adj Close
0       1993-01-29  43.968750   43.750000   43.968750   43.937500   1003200.0   26.453930
1       1993-02-01  44.250000   43.968750   43.968750   44.250000   480500.0    26.642057
2       1993-02-02  44.375000   44.125000   44.218750   44.343750   201300.0    26.698507
3       1993-02-03  44.843750   44.375000   44.406250   44.812500   529400.0    26.980742
4       1993-02-04  45.093750   44.468750   44.968750   45.000000   531500.0    27.093624
... ... ... ... ... ... ... ...
6809    2020-02-13  338.119995  335.559998  335.859985  337.059998  54501900.0  337.059998
6810    2020-02-14  337.730011  336.200012  337.510010  337.600006  64582200.0  337.600006
6811    2020-02-18  337.670013  335.209991  336.510010  336.730011  57226200.0  336.730011
6812    2020-02-19  339.079987  337.480011  337.790009  338.339996  48639100.0  338.339996
6813    2020-02-20  338.640015  333.681702  337.742004  336.894989  63193703.0  336.894989

我想要这样的东西： （我没有1993-03-19年之前的股息数据，但我有1993-03-19年以后的股息数据。）

---

基本上，我希望合并它们，以便股息列与历史数据框中的日期保持连续。

您可以加入，然后填充缺少的值，最后重命名列

请将您的数据帧命名为

市场价格

和

股息数据

您可以这样做：

import pandas as pd

# Make sure the keys share type
market_prices['Date'] = pd.to_datetime(market_prices['Date'])
dividend_data.index = pd.to_datetime(dividend_data.index)

# Join the data
prices_with_dividends = market_prices.join(
    dividend_data['value'], how='left', on='Date'
)
# Fill missing values with previous data
prices_with_dividends['value'].fillna(method='ffill', inplace=True)
# Rename column
prices_with_dividends.rename({'value': 'Dividend'}, axis=1, inplace=True)

---

应该可以了。

您可以加入，然后填充缺少的值，最后重命名列

请将您的数据帧命名为

市场价格

和

股息数据

您可以这样做：

import pandas as pd

# Make sure the keys share type
market_prices['Date'] = pd.to_datetime(market_prices['Date'])
dividend_data.index = pd.to_datetime(dividend_data.index)

# Join the data
prices_with_dividends = market_prices.join(
    dividend_data['value'], how='left', on='Date'
)
# Fill missing values with previous data
prices_with_dividends['value'].fillna(method='ffill', inplace=True)
# Rename column
prices_with_dividends.rename({'value': 'Dividend'}, axis=1, inplace=True)

---

应该可以。

假设

df

是包含历史股票数据的数据框，

df2

是包含股息信息的数据框

#先决条件：
df[“日期”]=pd.to_datetime（df[“日期”]）
df=df.set_索引（“日期”）
df[“股息”]=df2[“价值”]
df=df.reset_index（）

假设

df

是包含历史股票数据的数据框，

df2

是包含股息信息的数据框

#先决条件：
df[“日期”]=pd.to_datetime（df[“日期”]）
df=df.set_索引（“日期”）
df[“股息”]=df2[“价值”]
df=df.reset_index（）

从

插补自

如果日期格式不同，请使用以下格式转换：

price_table['Date'] = pd.to_datetime(price_table['Date'])

如果日期格式不同，请使用以下格式转换：

price_table['Date'] = pd.to_datetime(price_table['Date'])

---

---

1） 您应该始终以文本而不是图片的形式包含数据。2） 您的预期结果应该与您的样本数据一致。@QuangHoang-明白了！修正了。看看如何使用

pd.DataFrame.merge

1）你应该始终以文本而不是图片的形式包含数据。2） 您的预期结果应该与您的样本数据一致。@QuangHoang-明白了！修复。看看使用

pd.DataFrame.merge

Hm，它应该用于匹配索引-这里可能发生的情况可能是这两个之间的类型不同-即一个日期是

datetime

，另一个是字符串。例如，您可以从

df[“Date”]=pd.to_datetime（df[“Date”]）

开始（如果

df2

有

datetime

索引）不，等等-您可以为两个数据帧共享

df.index.dtype

的结果吗（一旦两个数据帧都有

Date

作为索引）我的坏-单数-它是

df.index.dtype

好-您需要从股票历史数据中更改

日期

-我在上面添加了一行，它们应该是相同的类型（实际上对于所有解决方案，无论是

加入

，

合并

还是以上）。因此，您可以将它们转换为datetime-s或字符串（

对象

），以确保它们的类型相同。嗯，应该是为了匹配索引-这里可能发生的情况是这两种类型之间的类型不同-即一个日期是

日期时间

，另一个是字符串。例如，您可以从

df[“Date”]=pd.to_datetime（df[“Date”]）

开始（如果

df2

有

datetime

索引）不，等等-您可以为两个数据帧共享

df.index.dtype

的结果吗（一旦两个数据帧都有

Date

作为索引）我的坏-单数-它是

df.index.dtype

好-您需要从股票历史数据中更改

日期

-我在上面添加了一行，它们应该是相同的类型（实际上对于所有解决方案，无论是

加入

，

合并

还是以上）。因此，您可以将它们转换为datetime-s或字符串（

对象

），以确保它们的类型相同。

TypeError:“非类型”对象不可编辑

在第3行

股息数据['value']，我尝试了如何设置为左

股息数据['Date]=pd.to\u日期时间（股息数据['Date]）@jangles，对不起，您需要使用选项

on='Date'

指定要在原始数据帧上使用的键。我会更新我的答案。

TypeError:'NoneType'对象在第3行
divident\u data['value']，how='left'
我尝试了
divident\u data[“Date”]=pd.to\u datetime（divident\u data[“Date”]）
@jangles，对不起，您需要使用
on='Date'
选项指定在原始数据框上使用哪个键。我会更新我的答案。
price_table = price_table.merge(dividend_table, left_on = 'Date', right_on ='Date',how = 'outer')
price.value = price.value.fillna('')

price_table['Date'] = pd.to_datetime(price_table['Date'])