Python 如何将列复制到具有类似索引的另一个数据帧

我有一个数据框，如下所示。我使用

pd.to_datetime（df['date']）.dt.normalize（）

让date2列只显示日期而忽略时间。我不知道如何让它只是YYYY-MM-DD格式

                       date2  count  compound_mean
0  2021-01-01 00:00:00+00:00     18       0.188411
1  2021-01-02 00:00:00+00:00      9       0.470400
2  2021-01-03 00:00:00+00:00     10       0.008190
3  2021-01-04 00:00:00+00:00     58       0.187510
4  2021-01-05 00:00:00+00:00    150       0.176173

另一个具有以下格式的数据帧

Date          Average
2021-01-04    18.200001
2021-01-05    22.080000
2021-01-06    22.250000
2021-01-07    22.260000
2021-01-08    21.629999

我希望通过匹配日期，然后向前填充任何空白值，在第一个数据帧中显示

Average

列。从01-01到01-03，没有任何东西可以向前填充，所以我猜它最终将为零。我很难找到正确的函数来做这件事，寻找一些指导。谢谢。

请尝试以下操作：

>>> df.index = pd.to_datetime(df.date2).dt.date 
# If df.date2 is already datetime, use ^ df.index = df.date2.dt.date
>>> df2['Date'] = pd.to_datetime(df2['Date']) 
# If df2['Date'] is already datetime, ^ this above line is not needed
>>> df.join(df2.set_index('Date')).fillna(0)
                                date2  count  compound_mean    Average
date2                                                                 
2021-01-01  2021-01-01 00:00:00+00:00     18       0.188411   0.000000
2021-01-02  2021-01-02 00:00:00+00:00      9       0.470400   0.000000
2021-01-03  2021-01-03 00:00:00+00:00     10       0.008190   0.000000
2021-01-04  2021-01-04 00:00:00+00:00     58       0.187510  18.200001
2021-01-05  2021-01-05 00:00:00+00:00    150       0.176173  22.080000

请尝试以下操作：

>>> df.index = pd.to_datetime(df.date2).dt.date 
# If df.date2 is already datetime, use ^ df.index = df.date2.dt.date
>>> df2['Date'] = pd.to_datetime(df2['Date']) 
# If df2['Date'] is already datetime, ^ this above line is not needed
>>> df.join(df2.set_index('Date')).fillna(0)
                                date2  count  compound_mean    Average
date2                                                                 
2021-01-01  2021-01-01 00:00:00+00:00     18       0.188411   0.000000
2021-01-02  2021-01-02 00:00:00+00:00      9       0.470400   0.000000
2021-01-03  2021-01-03 00:00:00+00:00     10       0.008190   0.000000
2021-01-04  2021-01-04 00:00:00+00:00     58       0.187510  18.200001
2021-01-05  2021-01-05 00:00:00+00:00    150       0.176173  22.080000

您可以执行以下操作：

#Making date of same UTC format from both tables
df1['date2'] = pd.to_datetime(df1['date2'],utc = True)
df2['Date'] = pd.to_datetime(df2['Date'],utc = True)

#Renaming df1 column so that we can map 'Date' from both dataframes
df1.rename(columns={'date2': 'Date'},inplace=True)

#Merge operation
res = pd.merge(df1,df2,on='Date',how='left').fillna(0)

输出：

Date    count   compound_mean   Average
0   2021-01-01 00:00:00+00:00   18  0.188411    0.000000
1   2021-01-02 00:00:00+00:00   9   0.470400    0.000000
2   2021-01-03 00:00:00+00:00   10  0.008190    0.000000
3   2021-01-04 00:00:00+00:00   58  0.187510    18.200001
4   2021-01-05 00:00:00+00:00   150 0.176173    22.080000

您可以执行以下操作：

#Making date of same UTC format from both tables
df1['date2'] = pd.to_datetime(df1['date2'],utc = True)
df2['Date'] = pd.to_datetime(df2['Date'],utc = True)

#Renaming df1 column so that we can map 'Date' from both dataframes
df1.rename(columns={'date2': 'Date'},inplace=True)

#Merge operation
res = pd.merge(df1,df2,on='Date',how='left').fillna(0)

输出：

Date    count   compound_mean   Average
0   2021-01-01 00:00:00+00:00   18  0.188411    0.000000
1   2021-01-02 00:00:00+00:00   9   0.470400    0.000000
2   2021-01-03 00:00:00+00:00   10  0.008190    0.000000
3   2021-01-04 00:00:00+00:00   58  0.187510    18.200001
4   2021-01-05 00:00:00+00:00   150 0.176173    22.080000

---

我假设您的第一个数据帧是df1，第二个数据帧是df2

首先，您需要将df1的date2列的名称更改为Date，以便它与df2的Date列匹配

df1['Date']=pd.to_datetime（df1['date2']）.dt.Date

然后可以删除df1的date2列，如下所示

df1.drop（“date2”，inplace=True，axis=1）

您还需要更改df2的Date列类型，使其与df1的Date列类型相匹配

df2['Date']=pd.to_datetime（df2['Date']）.dt.Date

然后创建一个新的dataframe，它将基于Date列包含两个dataframe列

main\u df=pd.merge（df1，df2，on=“Date”，how=“left”）
df1['Average']=主_df['Average']
df1=pd.DataFrame（df1，列=['Date'，'count'，'compound_mean'，'Average']）

然后可以用ffill填充空值，也可以用0填充前3个空值

df1.fillna（method='ffill'，inplace=True）
df1.fillna（0，原地=真）

---

您的第一个数据帧将看起来像您想要的

我假设您的第一个数据帧是df1，第二个数据帧是df2

首先，您需要将df1的date2列的名称更改为Date，以便它与df2的Date列匹配

df1['Date']=pd.to_datetime（df1['date2']）.dt.Date

然后可以删除df1的date2列，如下所示

df1.drop（“date2”，inplace=True，axis=1）

您还需要更改df2的Date列类型，使其与df1的Date列类型相匹配

df2['Date']=pd.to_datetime（df2['Date']）.dt.Date

然后创建一个新的dataframe，它将基于Date列包含两个dataframe列

main\u df=pd.merge（df1，df2，on=“Date”，how=“left”）
df1['Average']=主_df['Average']
df1=pd.DataFrame（df1，列=['Date'，'count'，'compound_mean'，'Average']）

然后可以用ffill填充空值，也可以用0填充前3个空值

df1.fillna（method='ffill'，inplace=True）
df1.fillna（0，原地=真）

---

您的第一个数据帧将查看您想要的日期。只需获取日期。谢谢您，Prakash，为每一步所做的解释。这就是我想要做的。谢谢你，Prakash，对每一步所做的解释。这实现了我想要做的。