Python 基于间隔为数据帧列指定值

我有一个数据框（

df

）和第二个数据框（

df\u value

），分别有三列：开始日期（“From”）、结束日期（“To”）和关联值。我想在

df

中创建第二列，其中包含从

df\u value

中查找的正确值：

将熊猫作为pd导入
df=pd.数据帧（['30/03/2018'、'01/10/2019'、'03/07/2020'、'05/08/2020'、'06/08/2020'、'10/10/2020']，列=['Date']））
df['Date']=pd.to_datetime（df['Date']，格式='%d/%m/%Y'，dayfirst=True）。dt.Date
df_值=pd.数据帧（['01/01/2018'，'31/12/2018'，1.286'，'01/01/2019'，'30/06/2019'，1.555'，'01/07/2019'，'31/12/2019'，1.632'，'01/01/2020'，'31/12/2020'，1.864]]，列=['From'，'To'，'value'）
df_值['From']=pd.to_日期时间（df_值['From']，格式='%d/%m/%Y'，dayfirst=True）。dt.date
df_值['To']=pd.To_日期时间（df_值['To']，格式='%d/%m/%Y'，dayfirst=True）。dt.date

目前，我已经通过将下面的函数逐行应用于

df

来实现这一点。虽然这样做有效，但我觉得必须有一种更有效的方法：

def固定函数（df）：
值=0
行计数器=0
当值==0时：
如果（df['Date']>=df_value.iloc[row_counter，0]）&（df['Date']，您可以使用：

将numpy导入为np
date\u col=df.date.values[：，np.newaxis]
x、 y=np.其中（（日期列>=df_值从值）和
（date_col下面是一个详细的答案，比较您当前的方法和我提出的另一种方法：

#设置数据
作为pd进口熊猫
将numpy作为np导入
df=pd.数据帧（['30/03/2018'、'01/10/2019'、'03/07/2020'、'05/08/2020'、'06/08/2020'、'10/10/2020']，列=['Date']））
df['Date']=pd.to_datetime（df['Date']，格式='%d/%m/%Y'，dayfirst=True）。dt.Date
打印（df）
df_值=pd.数据帧（['01/01/2018'，'31/12/2018'，1.286'，'01/01/2019'，'30/06/2019'，1.555'，'01/07/2019'，'31/12/2019'，1.632'，'01/01/2020'，'31/12/2020'，1.864]]，列=['From'，'To'，'value'）
df_值['From']=pd.to_日期时间（df_值['From']，格式='%d/%m/%Y'，dayfirst=True）。dt.date
df_值['To']=pd.To_日期时间（df_值['To']，格式='%d/%m/%Y'，dayfirst=True）。dt.date
打印（df_值）
df2=df.copy（）
df3=df.copy（）

现在将您的方法定义为函数：

def existing（）：
#df=pd.concat（[df，df_值]，轴=1）
def固定功能（df）：
值=0
行计数器=0
当值==0时：
如果（df['Date']>=df_value.iloc[row_counter，0]）&（df['Date']%timeit建议（）
[输出]>每个回路1.97 ms±23.2µs（7次运行的平均值±标准偏差，每个1000个回路）

因此，我的方法并不比您现有的方法好，但看起来很像Python：）
您还可以提供一些数据集行作为csv文件，我们可以复制粘贴吗？我现在为这两个DataFrames添加了一些示例数据，比我的解决方案更高级：
401µs±2.92µs/循环（平均±标准偏差为7次运行，每个循环1000次）
import numpy as np

date_col = df.Date.values[:, np.newaxis]
x,y = np.where((date_col >= df_value.From.values) & 
               (date_col <= df_value.To.values))

df["Value"] = df_value.loc[y,"Value"].reset_index(drop = True)
#        Date  Value
#0 2018-03-30  1.286
#1 2019-10-01  1.632
#2 2020-07-03  1.864
#3 2020-08-05  1.864
#4 2020-08-06  1.864
#5 2020-10-10  1.864