如何高效将多周期Pandas DataFrame转换为单月度周期？

针对你的需求——将跨多个月的周期收入拆分为单月度均分数据，替代低效的逐行循环方案，这里提供两种基于Pandas内置函数的高效实现：

方法一：生成日期序列后Explode（易读性优先） #

这种方法逻辑直观，通过为每行生成对应周期内的月度结束日期列表，再用explode展开，适合中小数据集：

import pandas as pd

# 确保日期列转为datetime类型
df['date'] = pd.to_datetime(df['date'])
df['date_to'] = pd.to_datetime(df['date_to'])

# 计算月度均分收入
df['monthly_revenue'] = df['net_revenues'] / df['date_diff']

# 为每行生成周期内的所有月末日期列表
df['month_dates'] = df.apply(
    lambda row: pd.date_range(start=row['date'], end=row['date_to'], freq='M').date,
    axis=1
)

# 展开日期列表并整理结果列
new_df = df.explode('month_dates')[['monthly_revenue', 'month_dates']].rename(
    columns={
        'monthly_revenue': 'new_net_revenues',
        'month_dates': 'new_date'
    }
)

方法二：全向量化操作（性能优先） #

完全避免逐行apply，利用repeat和分组计数实现纯向量化计算，速度最快，适合大规模数据集：

import pandas as pd

# 确保日期列转为datetime类型
df['date'] = pd.to_datetime(df['date'])
df['date_to'] = pd.to_datetime(df['date_to'])

# 计算月度均分收入
df['monthly_revenue'] = df['net_revenues'] / df['date_diff']

# 按周期月数重复每行数据
repeated_df = df.loc[df.index.repeat(df['date_diff'])]

# 为每组重复行生成月份偏移量（0到date_diff-1）
repeated_df['month_offset'] = repeated_df.groupby(repeated_df.index).cumcount()

# 计算对应月度的结束日期
repeated_df['new_date'] = (
    repeated_df['date'] + pd.offsets.MonthBegin(repeated_df['month_offset']) 
    + pd.offsets.MonthEnd()
)

# 整理最终结果
new_df = repeated_df[['monthly_revenue', 'new_date']].rename(
    columns={'monthly_revenue': 'new_net_revenues'}
)

方案优势 #

两种方法均利用Pandas的C级优化内置操作，相比原有的iterrows嵌套循环，性能提升数十倍甚至上百倍：

• 避免了Python层面的循环开销，完全依托Pandas的向量化计算能力
• 代码更简洁易维护，无需手动管理行的复制和添加

内容的提问来源于stack exchange，提问作者nilsfl