本文介绍一种基于区间断点（breakpoints）的 dataframe 合并策略：先提取所有起止点并去重排序，再构建最小粒度区间，最后通过映射或重叠逻辑计算每个新区间的属性值（如整数长度、加权值等）。
本文介绍一种基于区间断点（breakpoints）的 dataframe 合并策略：先提取所有起止点并去重排序，再构建最小粒度区间，最后通过映射或重叠逻辑计算每个新区间的属性值（如整数长度、加权值等）。
在处理地理范围、时间窗口、基因组坐标或分段统计等场景时，常需将多个不完全对齐的区间型 DataFrame 合并为统一细粒度结构——即“合并+切分”（merge-and-split）。标准 pd.merge() 或 pd.concat() 无法直接实现行级拆分，必须引入区间分解思想：以所有原始区间的端点（from/to）为断点，生成互斥、连续、无间隙的最小原子区间，再为每个原子区间分配业务逻辑值（如本例中取原始区间覆盖该原子区间的 int 值，或按比例分配、取交集长度等）。
以下为完整实现流程：
步骤一：提取并合并所有端点
import pandas as pd
df1 = pd.DataFrame({
'from': [0, 2, 8, 26, 35, 46],
'to': [2, 8, 26, 35, 46, 48],
'int': [2, 6, 18, 9, 11, 2]
})
df2 = pd.DataFrame({
'from': [0, 2, 8, 17, 34],
'to': [2, 8, 17, 34, 49],
'int': [2, 6, 9, 17, 15]
})
# 收集所有 from/to 端点，去重并升序排列
breakpoints = sorted(
set(df1['from']).union(df1['to']).union(df2['from']).union(df2['to'])
)
# → [0, 2, 8, 17, 26, 34, 35, 46, 48, 49]
步骤二：构造原子区间 DataFrame
# 将断点两两配对，形成相邻原子区间
new_df = pd.DataFrame({
'from': breakpoints[:-1],
'to': breakpoints[1:]
})
# 此时 new_df 包含 9 行，每行代表一个不可再分的连续区间
步骤三：为原子区间分配 int 值（关键业务逻辑）
原问题示例中目标 int 列实际为 该原子区间在 df1 和 df2 中被覆盖的总长度（即交集长度之和），而非简单取值或平均。验证如下：
- 区间
[17, 26)：仅被df1的[8,26)覆盖（长度 9），df2的[17,34)也覆盖（长度 9）→ 但目标结果为9，说明此处采用的是 优先匹配 df2，冲突时取 df2 值；若 df2 未覆盖则回退 df1 的逻辑？
实则观察目标输出可发现：int值 =to - from（即区间长度），并非来自原始int字段的继承或聚合。这意味着问题本质是：用两个 DataFrame 的端点共同定义一套标准网格，然后计算每个网格单元的自然长度。
因此，若需保留原始 int 的语义（例如表示单位长度权重），应改用区间重叠加权法：
# 示例：为每个原子区间分配其在 df1/df2 中覆盖部分的 int 加权和（按交集长度加权）
def overlap_length(row, df):
return df[
(df['from'] row['from'])
].apply(lambda r: min(r['to'], row['to']) - max(r['from'], row['from']), axis=1).sum()
new_df['int'] = new_df.apply(
lambda r: overlap_length(r, df1) + overlap_length(r, df2), axis=1
)
# 注意：此方法返回浮点数，需根据业务四舍五入或取整
但根据问题所给期望输出，int 列严格等于 to - from，故最简解即：
new_df['int'] = new_df['to'] - new_df['from']
注意事项与扩展建议
- ✅ 端点完整性：确保
from/to为闭开区间（[from, to)）语义，避免因浮点误差导致断点遗漏； - ⚠️ 性能优化：当数据量大时，
set.union()高效，但apply()计算重叠易成瓶颈，推荐使用intervalarray或numpy.searchsorted加速； - ? 多源优先级：若需支持 df2 覆盖 df1 的值（如版本更新），可在合并前为各 DataFrame 添加
source列，再按优先级groupby(['from','to']).first()； - ? 非均匀赋值：若原始
int表示密度（如每单位长度数值），则原子区间int = (overlap_len_df1 × int_df1 + overlap_len_df2 × int_df2) / (to - from)。
最终，该方法将离散、异构的区间集合，转化为标准、可计算的原子网格，为后续聚合、可视化或机器学习特征工程奠定坚实基础。
