如何在函数中同时兼容处理pd.Series与pd.DatetimeIndex类型？

方法一：利用pandas原生统一接口避免转换 #

DatetimeIndex和datetime类型的Series共享大量通用方法（比如dt访问器），多数时间序列分析操作可直接在两种类型上执行，无需提前转换：

import pandas as pd
from typing import Union

def process_time_series(time_series: Union[pd.Series, pd.DatetimeIndex]):
    """处理时间序列，直接在原类型上执行通用操作"""
    # 示例操作：提取月份并统计频次
    month_counts = time_series.dt.month.value_counts()
    
    # 若需返回与输入同类型的处理结果（如提取时间分量）
    processed = time_series.dt.floor('D')
    return pd.DatetimeIndex(processed) if isinstance(time_series, pd.DatetimeIndex) else processed

这种方式完全跳过类型转换，性能最优，适配绝大多数时间序列分析场景。

方法二：简化类型转换逻辑 #

如果操作必须基于Series（比如使用Series特有方法），可简化原逻辑，仅做一次类型判断：

import pandas as pd
from typing import Union

def process_time_series(time_series: Union[pd.Series, pd.DatetimeIndex]):
    """统一转为Series处理，最后还原原类型"""
    # 记录输入类型，统一转为Series
    is_datetime_index = isinstance(time_series, pd.DatetimeIndex)
    series = time_series.to_series() if is_datetime_index else time_series.copy()

    # 执行仅支持Series的操作，示例：滑动窗口均值
    series = series.rolling(window=7).mean().dropna()

    # 还原为原类型返回
    return pd.DatetimeIndex(series) if is_datetime_index else series

相比原代码，仅做一次类型判断，逻辑更简洁，避免重复检查。

方法三：用pd.Series直接包裹统一处理 #

利用pandas的类型包容性，直接用pd.Series()包裹输入，自动处理两种类型转换，无需显式判断：

import pandas as pd
from typing import Union

def process_time_series(time_series: Union[pd.Series, pd.DatetimeIndex]):
    """用pd.Series统一包裹输入，简化转换"""
    is_index = isinstance(time_series, pd.DatetimeIndex)
    series = pd.Series(time_series).copy()

    # 执行处理逻辑，示例：计算时间序列差分
    series = series.diff().dropna()

    # 还原原类型
    return pd.DatetimeIndex(series) if is_index else series

此方式代码最简洁，适合快速开发，pandas内部类型转换的性能损耗可忽略。

内容的提问来源于stack exchange，提问作者Clej