我有两只大熊猫DataFrame，我需要以一些复杂的方式进行合并，因此我需要一些帮助。
AAPL shares GOOG shares MSFT shares
date
2019-01-01 0.0 10.0 0.0
2019-01-05 0.0 0.0 15.0
2019-01-12 0.0 0.0 7.0
2019-01-13 3.0 0.0 0.0
2019-01-14 0.0 -5.0 0.0
0 1 2 3 4 5
0 1998-01-02 16.25 2014-03-27 558.46 1998-01-02 131.13
1 1998-01-05 15.88 2014-03-28 559.99 1998-01-05 130.38
2 1998-01-06 18.94 2014-03-31 556.97 1998-01-06 131.13
3 1998-01-07 17.50 2014-04-01 567.16 1998-01-07 129.56
4 1998-01-08 18.19 2014-04-02 567.00 1998-01-08 130.50
5 1998-01-09 18.19 2014-04-03 569.74 1998-01-09 127.00
6 1998-01-12 18.25 2014-04-04 543.14 1998-01-12 129.50
7 1998-01-13 19.50 2014-04-07 538.15 1998-01-13 132.13
8 1998-01-14 19.75 2014-04-08 554.90 1998-01-14 131.13
9 1998-01-15 19.19 2014-04-09 564.14 1998-01-15 132.31
10 1998-01-16 18.81 2014-04-10 540.95 1998-01-16 135.25
11 1998-01-20 19.06 2014-04-11 530.60 1998-01-20 137.81
12 1998-01-21 18.91 2014-04-14 532.52 1998-01-21 137.00
13 1998-01-22 19.25 2014-04-15 536.44 1998-01-22 138.63
14 1998-01-23 19.50 2014-04-16 556.54 1998-01-23 138.25
15 1998-01-26 19.44 2014-04-17 536.10 1998-01-26 141.75
1）receiving_df需要为date建立通用基础（注意，列2有所不同），因此DataFrame需要组织成{{1 }}，date，1，3，其中5，0和2的日期用于组装{{1} }，以在特定日期正确反映4，date，1中的值。
第1步中的示例输出
3 2）5将需要根据日期 0 1 3 5
0 1998-01-02 16.25 NA 131.13
1 1998-01-05 15.88 NA 130.38
2 1998-01-06 18.94 NA 131.13
3 1998-01-07 17.50 NA 129.56
4 1998-01-08 18.19 NA 130.50
5 1998-01-09 18.19 NA 127.00
6 1998-01-12 18.25 NA 129.50
7 1998-01-13 19.50 NA 132.13
8 1998-01-14 19.75 NA 131.13
...
10 2014-04-10 18.81 558.46 135.25
11 2014-04-11 19.06 559.99 137.81
12 2014-04-14 18.91 556.97 137.00
13 2014-04-15 19.25 567.16 138.63
14 2014-04-16 19.50 567.00 138.25
15 2014-04-17 19.44 569.74 141.75
...
进行排序，并且inserting_df，receiving_df['date']，AAPL shares列将添加为GOOG shares。我想这将遵循与1）类似的方法。
第2步中的示例输出
MSFT shares 3）新列receiving_df， 0 AAPL shares 1 GOOG shares 3 MSFT shares 5
0 1998-01-02 0.0 16.25 0.0 NA 0.0 131.13
1 1998-01-05 0.0 15.88 0.0 NA 0.0 130.38
2 1998-01-06 0.0 18.94 0.0 NA 0.0 131.13
3 1998-01-07 0.0 17.50 0.0 NA 0.0 129.56
4 1998-01-08 0.0 18.19 0.0 NA 0.0 130.50
5 1998-01-09 0.0 18.19 0.0 NA 0.0 127.00
6 1998-01-12 0.0 18.25 0.0 NA 0.0 129.50
7 1998-01-13 0.0 19.50 0.0 NA 0.0 132.13
8 1998-01-14 0.0 19.75 0.0 NA 0.0 131.13
...
10 2014-04-10 0.0 18.81 0.0 558.46 0.0 135.25
11 2014-04-11 0.0 19.06 0.0 559.99 0.0 137.81
12 2014-04-14 0.0 18.91 0.0 556.97 0.0 137.00
13 2014-04-15 0.0 19.25 0.0 567.16 0.0 138.63
14 2014-04-16 0.0 19.50 0.0 567.00 0.0 138.25
15 2014-04-17 0.0 19.44 0.0 569.74 0.0 141.75
...
<#> 2019-01-01 0.0 <value> 10.0 <value> 0.0 <value>
<#> 2019-01-02 0.0 <value> 0.0 <value> 15.0 <value>
<#> 2019-01-03 0.0 <value> 0.0 <value> 7.0 <value>
<#> 2019-01-04 3.0 <value> 0.0 <value> 0.0 <value>
<#> 2019-01-05 0.0 <value> -5.0 <value> 0.0 <value>
，AAPL shares需要用cumsum填充，但我认为我的意思是：
〜GOOG shares
第3步中的示例输出
MSFT shares因此最终目标将导致根据df.set_index('date').sort_index().fillna(value=0).cumsum())索引持有的价值和份额。对于在结果 0 AAPL shares 1 GOOG shares 3 MSFT shares 5
0 1998-01-02 0.0 16.25 0.0 NA 0.0 131.13
1 1998-01-05 0.0 15.88 0.0 NA 0.0 130.38
2 1998-01-06 0.0 18.94 0.0 NA 0.0 131.13
3 1998-01-07 0.0 17.50 0.0 NA 0.0 129.56
4 1998-01-08 0.0 18.19 0.0 NA 0.0 130.50
5 1998-01-09 0.0 18.19 0.0 NA 0.0 127.00
6 1998-01-12 0.0 18.25 0.0 NA 0.0 129.50
7 1998-01-13 0.0 19.50 0.0 NA 0.0 132.13
8 1998-01-14 0.0 19.75 0.0 NA 0.0 131.13
...
10 2014-04-10 0.0 18.81 0.0 558.46 0.0 135.25
11 2014-04-11 0.0 19.06 0.0 559.99 0.0 137.81
12 2014-04-14 0.0 18.91 0.0 556.97 0.0 137.00
13 2014-04-15 0.0 19.25 0.0 567.16 0.0 138.63
14 2014-04-16 0.0 19.50 0.0 567.00 0.0 138.25
15 2014-04-17 0.0 19.44 0.0 569.74 0.0 141.75
...
<#> 2019-01-01 0.0 <value> 10.0 <value> 0.0 <value>
<#> 2019-01-02 0.0 <value> 10.0 <value> 15.0 <value>
<#> 2019-01-03 0.0 <value> 10.0 <value> 22.0 <value>
<#> 2019-01-04 3.0 <value> 10.0 <value> 22.0 <value>
<#> 2019-01-05 3.0 <value> 5.0 <value> 22.0 <value>
中将没有列date值的date（由于列2“缺少”一些日期），最好使该值2但0就足够了。
很高兴澄清任何事情，感谢任何/所有帮助，因为这是一个非常复杂的操作（至少对我而言），在此先感谢您！
编辑：
由于receiving_df-N/A对的数量可能会有所不同，因此现在尝试合并成一个循环。现在，我有date-value对的单独DataFrames列表：date。由于对的数量可能有所不同，因此最好不要基于列标签value dfs_list。
set_index答案 0 :(得分：0)
根据您的解释，这就是我所知道的解决方案。
在给定的数据帧的情况下，我添加了列名以使情况更清楚，并将receive_df重命名为df以节省键入：
df.columns=['d1','p1','d2','p2','d3','p3']
df1=pd.merge(left=df[['d1','p1']].set_index('d1'),right=df[['d3','p3']].set_index('d3'), left_index=True, right_index=True, how='outer')
df1.head()
p1 p3
d1
1998-01-02 16.25 131.13
1998-01-05 15.88 130.38
1998-01-06 18.94 131.13
1998-01-07 17.50 129.56
1998-01-08 18.19 130.50
rec_df=pd.merge(left=df1,right=df[['d2','p2']].set_index('d2'),left_index=True, right_index=True, how='outer')
rec_df
p1 p3 p2
1998-01-02 16.25 131.13 NaN
1998-01-05 15.88 130.38 NaN
1998-01-06 18.94 131.13 NaN
1998-01-07 17.50 129.56 NaN
1998-01-08 18.19 130.50 NaN
1998-01-09 18.19 127.00 NaN
1998-01-12 18.25 129.50 NaN
1998-01-13 19.50 132.13 NaN
1998-01-14 19.75 131.13 NaN
1998-01-15 19.19 132.31 NaN
1998-01-16 18.81 135.25 NaN
1998-01-20 19.06 137.81 NaN
1998-01-21 18.91 137.00 NaN
1998-01-22 19.25 138.63 NaN
1998-01-23 19.50 138.25 NaN
1998-01-26 19.44 141.75 NaN
2014-03-27 NaN NaN 558.46
2014-03-28 NaN NaN 559.99
2014-03-31 NaN NaN 556.97
2014-04-01 NaN NaN 567.16
2014-04-02 NaN NaN 567.00
2014-04-03 NaN NaN 569.74
2014-04-04 NaN NaN 543.14
2014-04-07 NaN NaN 538.15
2014-04-08 NaN NaN 554.90
2014-04-09 NaN NaN 564.14
2014-04-10 NaN NaN 540.95
2014-04-11 NaN NaN 530.60
2014-04-14 NaN NaN 532.52
2014-04-15 NaN NaN 536.44
2014-04-16 NaN NaN 556.54
2014-04-17 NaN NaN 536.10
现在，这是我无法测试的地方，因为您的插入df没有与接收df相匹配的日期索引，但是应该看起来像
final_df=pd.merge(left=rec_df, right=insert_df, left_index=True, right_index=True, dropna=False)
当然，这假定date列已被设置为样本中的索引。如果要在末尾使用数字索引，则可以reset_index(in_place=True)，也可以将日期保留为索引。
看起来您已经完成了任务的最后一部分，无论如何我都无法使用给定的数据对其进行测试。
还要注意，您可以根据需要对列进行重新排序，具体取决于您希望输出的外观（df=df[[list of columns in order]]）