根据间隔加入/合并数据框答案

【问题标题】：Join/Merge Dataframe based on interval根据间隔加入/合并数据框
【发布时间】：2018-07-22 04:47:08
【问题描述】：

我有两张表：一张是计划泄漏补丁表，另一张是泄漏补丁实现表。如下：

第二个表有更多的列（这里省略）。这里的情况是我可以使用 SQL 表达式连接这两个表，如下所示：

SELECT
    PLAN.PIPE_ID,
    PLAN.INTERVAL_START,
    PLAN.INTERVAL_END,
    REAL.REAL_START,
    REAL.REAL_END,
    ...
FROM PLAN, REAL
WHERE
    PLAN.PIPE_ID=REAL.PIPE_ID
    REAL_START<INTERVAL_END AND
    REAL_END>INTERVAL_START AND
    ((REAL_START>=INTERVAL_START AND REAL_END<=INTERVAL_END) OR --CASE 1
    (REAL_START>=INTERVAL_START AND REAL_START>INTERVAL_END) OR --CASE 2
    (REAL_START<INTERVAL_START AND REAL_START<=INTERVAL_END) OR --CASE 3
    (REAL_START<INTERVAL_START AND REAL_START>INTERVAL_END)) --CASE 4

其中条件的情况满足下面的描述，并确保显示的数据只有两个表之间的间隔有交集。

如果我要使用 Pandas 进行相同的连接。怎么做？我是 pandas 的新手，我了解到 Pandas 加入使用密钥。

在此先感谢

【问题讨论】：

标签： python sql pandas dataframe join

【解决方案1】：

范围可以相交或不相交有六种情况。您已经记录了四种情况，另外两种情况是 REAL 完全在 PLAN 之前。这个条件可以通过说明 where REAL.REAL_END PLAN.INTERVAL_END 来测试此条件。

因此，您可以简单地使用 SQL 查询来检查这两个条件，如果两者都不成立，那么您有相交的范围。在 pandas 中，您可以使用以下内容，与您在 SQL 中所做的非常相似，进行交叉连接并过滤结果：

import pandas as pd
import numpy as np

plan = pd.DataFrame({'PIPE_ID':['P_01','P_01'],'INTERVAL_START':[150,175],'INTERVAL_END':[151.5,177.5]})

real  = pd.DataFrame({'PIPE_ID':['P_01','P_01'],'REAL_START':[148,174.5],'REAL_END':[150.5,178]})

df_merged = plan.merge(real, on='PIPE_ID')

df_out = df_merged[~((df_merged['REAL_END'] < df_merged['INTERVAL_START']) | (df_merged['REAL_START']>df_merged['INTERVAL_END']))] 

print(df_out)

输出：

   INTERVAL_END  INTERVAL_START PIPE_ID  REAL_END  REAL_START
0         151.5             150    P_01     150.5       148.0
3         177.5             175    P_01     178.0       174.5

【讨论】：