Этот вопрос является "продолжением" к тому, который я задал здесь .У меня есть 2 DataFrames, которые выглядят так:
df1 =
Timestamp CP_ID Con Value
0 2018-01-02 07:30:00.000 3107 1 6275.20
1 2018-01-02 07:45:00.000 3107 1 6275.95
2 2018-01-02 08:00:00.000 3107 1 6276.70
3 2018-01-02 08:15:00.000 3107 1 6277.45
4 2018-01-02 08:30:00.000 3107 1 6278.19
df2 =
dStart dEnd CP_ID Con A_Id
0 2018-03-12 18:58:53 2018-03-12 21:19:33 30554 1 03FC4BA8
1 2018-04-16 17:53:25 2018-04-16 20:22:52 30554 1 03FC4BA8
2 2018-05-10 19:19:47 2018-05-10 21:28:04 30554 1 03FC4BA8
3 2018-05-26 18:03:19 2018-05-26 20:49:23 30553 1 03FC4BA8
4 2018-08-10 18:26:29 2018-08-10 20:57:15 30827 1 03FC4BA8
df2 - это список всех сеансов от всех пользователей (dStart / dEnd каждого сеанса).
df1 - информация о сеансе для конкретного пользователя (Отметка времени на каждом сеансе).
CP_ID и Con указывают уникальное местоположение.
A_Id указывает уникального пользователя.
Я хочу объединить эти две таблицы, чтобыосталось со всей информацией для сеансов данного пользователя.Мое текущее решение, предложенное Вен-Беном в моем предыдущем посте, выглядит примерно так:
df = pd.merge(df2,df1,how='left',left_on=['CP_ID','Con'], \
right_on=['CP_ID','Con'])
df = df.loc[(df.Timestamp>df.dStart)&(df.Timestamp<df.dEnd)]
Это решает задачу, но моя проблема в том, что это занимает относительно много времени.Мне нужно выполнить эту операцию для тысяч пользователей, и оба шага (.merge и .loc) занимают очень большую часть времени выполнения моего скрипта.
Есть ли более эффективный способ сделатьэто