我对熊猫不是很精通，但在过去一年左右的时间里，我一直在各种项目中使用它——到目前为止，我很喜欢它，但我还没有真正掌握它，所以我希望得到一些帮助。我试着在谷歌上搜索了好几天，但我已经接近了只想用panda作为迭代器的地步，这似乎是一种浪费。我觉得我可能只是缺少了一些基本的术语，不知道该搜索什么，但我已经受够了阅读和搜索。
我现在正在做的工作要求我通过将ID和访问日期与用户注册表之类的东西进行比较，来检查一些日志的有效访问。我使用python和panda是因为它们是我觉得最舒服的工具，但我对其他方法的建议持开放态度。注册表是从其他人管理的一些Excel表中解析的，日志是有序的csv。
将这些加载到两个DataFrames中，我想检查每个日志条目的有效性。一个数据帧充当注册表，提供用户ID、创建日期和结束日期，另一个包含作为行的日志，带有用户ID和时间戳：
注册表
created end ID
1 2018-09-04 NaT 66f56efc5cc6353ba
2 2018-10-09 2018-11-09 167a2c65133d9f4a3
3 2018-10-09 2018-11-09 f0efc501e52e7b1e1
日志
Timestamp ID
0 2019-08-01 00:01:48.027 4459eeab695a2
1 2019-08-01 00:06:03.981 e500df5f2c2ed
2 2019-08-01 00:06:36.100 e500df5f2c2ed
我想对照我的注册表检查每个日志条目，看看它发生时是否允许访问。我已经编写了一个函数来根据我的注册表检查ID和日期，但我需要弄清楚如何将我的检查应用于整个日志数据帧：
def validate(userid, date): #eg. 'wayf-1234', datetime.date(2019,11,23)
df_target=df_registry[df_acl['created'].notnull() & ~(df_registry['end'] < date)]
return (df_target.values==userid).any()
我的第一个倾向是像行选择器一样直接使用该函数(不确定该怎么称呼它(，但它不起作用：
df_logs[validate(df_logs['id'], df_logs['Timestamp']) == True]
我敢肯定，为每一行启动一个数据帧来检查特定日期的效率会非常低，但我只是在黑客攻击，试图让一些事情发挥作用，目前效率很低。但我真的很想知道是否有人对如何做到这一点有任何意见或看法。我应该迭代数据帧的行，并将我的逻辑应用于每一行(这似乎与熊猫的使用方式相反(，还是有更聪明的方法？
谢谢。
merge_asof就是这里的工具。它允许在列列表上精确合并(使用by(，然后在一列中的值紧挨着另一个数据帧中的值找到最高值。
这里你可以使用：
tmp = pd.merge_asof(logs, registry, left_on = ['Timestamp'],
right_on=['created'], by='ID')
对于日志中的每一行，您都可以从注册表中获得具有相同ID和创建日期的行，该行位于时间戳的正下方。如果结束时间为NaT或大于时间戳(添加一天后…(，则访问有效：
tmp['valid'] = tmp.end.isna()|(tmp.end + pd.Timedelta('1D') > tmp.Timestamp)
注意：只有当日期列为true pd.Timestamp(dtype datetime64(时，这才有效。。。