在Python中使用datetime索引的不同元素组合两个时间序列

下面我有两个时间序列

df1

有一个

DateTime

格式的索引，该索引只包含日期，不包含时间

df2

有一个完整的日期时间索引，也是

datetime

格式。在完整数据中，

df1

在行数方面比

df2

短得多

如您所见，这两个数据集的时间跨度均为4月2日至6日。然而，df1跳过了一些日期，而在df2中，所有日期都可用。注意：在本例中，仅跳过奇数日期，但在完整数据中并非如此

df1

    value1
date            
2016-04-02  16
2016-04-04  76
2016-04-06  23

df2

    value2
DateTime    
2016-04-02 07:45:00 257.96
2016-04-02 07:50:00 317.58
2016-04-02 07:55:00 333.39
2016-04-03 08:15:00 449.96
2016-04-03 08:20:00 466.42
2016-04-03 08:25:00 498.56
2016-04-04 08:10:00 454.73
2016-04-04 08:15:00 472.45
2016-04-04 08:20:00 489.85
2016-04-05 07:30:00 169.54
2016-04-05 07:35:00 276.13
2016-04-05 07:40:00 293.70
2016-04-06 07:10:00 108.05
2016-04-06 07:15:00 179.21
2016-04-06 07:20:00 201.80

我想按索引合并这两个数据集。df1应控制要保留的日期。预期结果如下所示

    value2  value1
DateTime    
2016-04-02 07:45:00 257.96  16
2016-04-02 07:50:00 317.58  16
2016-04-02 07:55:00 333.39  16
2016-04-04 08:10:00 454.73  76
2016-04-04 08:15:00 472.45  76
2016-04-04 08:20:00 489.85  76
2016-04-06 07:10:00 108.05  23
2016-04-06 07:15:00 179.21  23
2016-04-06 07:20:00 201.80  23

这是我的尝试

result= pd.concat([df1, df1], axis=1, sort=True).dropna(how='all')

---

但是结果与我预期的不同。

这里可以创建一个新的助手列，该列由datetimes填充，而不包含时间：

或者如果日期使用：

然后与默认内部联接一起使用：

result= df1.merge(df2, left_index=True, right_on='date')
print (result)
                     value1  value2       date
DateTime                                      
2016-04-02 07:45:00      16  257.96 2016-04-02
2016-04-02 07:50:00      16  317.58 2016-04-02
2016-04-02 07:55:00      16  333.39 2016-04-02
2016-04-04 08:10:00      76  454.73 2016-04-04
2016-04-04 08:15:00      76  472.45 2016-04-04
2016-04-04 08:20:00      76  489.85 2016-04-04
2016-04-06 07:10:00      23  108.05 2016-04-06
2016-04-06 07:15:00      23  179.21 2016-04-06
2016-04-06 07:20:00      23  201.80 2016-04-06

---

或使用，但它会通过先前的匹配值进行合并，因此只有在始终将不带时间的日期时间从

df2

与

df1

中的

date

s进行匹配时，才能像上面一样工作：

result= pd.merge_asof(df2, df1, left_index=True, right_index=True)
print (result)
                     value2  value1
DateTime                           
2016-04-02 07:45:00  257.96      16
2016-04-02 07:50:00  317.58      16
2016-04-02 07:55:00  333.39      16
2016-04-03 08:15:00  449.96      16
2016-04-03 08:20:00  466.42      16
2016-04-03 08:25:00  498.56      16
2016-04-04 08:10:00  454.73      76
2016-04-04 08:15:00  472.45      76
2016-04-04 08:20:00  489.85      76
2016-04-05 07:30:00  169.54      76
2016-04-05 07:35:00  276.13      76
2016-04-05 07:40:00  293.70      76
2016-04-06 07:10:00  108.05      23
2016-04-06 07:15:00  179.21      23
2016-04-06 07:20:00  201.80      23

result= df1.merge(df2, left_index=True, right_on='date')
print (result)
                     value1  value2       date
DateTime                                      
2016-04-02 07:45:00      16  257.96 2016-04-02
2016-04-02 07:50:00      16  317.58 2016-04-02
2016-04-02 07:55:00      16  333.39 2016-04-02
2016-04-04 08:10:00      76  454.73 2016-04-04
2016-04-04 08:15:00      76  472.45 2016-04-04
2016-04-04 08:20:00      76  489.85 2016-04-04
2016-04-06 07:10:00      23  108.05 2016-04-06
2016-04-06 07:15:00      23  179.21 2016-04-06
2016-04-06 07:20:00      23  201.80 2016-04-06

result= pd.merge_asof(df2, df1, left_index=True, right_index=True)
print (result)
                     value2  value1
DateTime                           
2016-04-02 07:45:00  257.96      16
2016-04-02 07:50:00  317.58      16
2016-04-02 07:55:00  333.39      16
2016-04-03 08:15:00  449.96      16
2016-04-03 08:20:00  466.42      16
2016-04-03 08:25:00  498.56      16
2016-04-04 08:10:00  454.73      76
2016-04-04 08:15:00  472.45      76
2016-04-04 08:20:00  489.85      76
2016-04-05 07:30:00  169.54      76
2016-04-05 07:35:00  276.13      76
2016-04-05 07:40:00  293.70      76
2016-04-06 07:10:00  108.05      23
2016-04-06 07:15:00  179.21      23
2016-04-06 07:20:00  201.80      23