如何更优雅地在Pandas DataFrame中分类并比较日期时间列？

我有一个包含VisitDate（日期时间列）和VisitID（访问ID列）的DataFrame，需要对比两个时间段内的独立访问次数。目前的实现代码能得到正确结果，但写法不够Pythonic，想了解更优的实现方式。

输入数据 #

现有实现代码 #

import pandas as pd

df = pd.DataFrame({"VisitID":['1', '2', '4', '5', '6'],
"VisitDate": ['1/1/2023', '2/1/2023', '3/1/2023', '4/1/2023', '5/1/2023']})

df['VisitDate'] = pd.to_datetime(df['VisitDate'])
# 划分3个日期分类
df["Categorize Date Range"] = pd.cut(df['VisitDate'], 
       bins=[pd.Timestamp("1/1/2023"), pd.Timestamp("2/2/2023"), pd.Timestamp("3/31/2023"), pd.Timestamp("5/1/2023")], 
       labels=['Dates: 1/1/2023 - 2/1/2023', 0, "Dates: 4/1/2023 - 5/1/2023"],
        include_lowest=True,
       right=True)
# 过滤掉无关的日期分类
df = df[(df['Categorize Date Range'] != 0) & (df['Categorize Date Range'].notnull())].copy()
# 统计每个分类的独立访问次数
df.groupby(['Categorize Date Range'])['VisitID'].nunique()

现有代码输出 #

优化实现方式 #

方式一：用np.select生成分组标签并过滤 #

直接定义目标时间段的条件和对应标签，避免冗余的中间分类（比如原代码中的0标签），逻辑更清晰：

import pandas as pd
import numpy as np

df = pd.DataFrame({"VisitID":['1', '2', '4', '5', '6'],
"VisitDate": ['1/1/2023', '2/1/2023', '3/1/2023', '4/1/2023', '5/1/2023']})
df['VisitDate'] = pd.to_datetime(df['VisitDate'])

# 定义目标时间段条件与对应标签
conditions = [
    df['VisitDate'].between('2023-01-01', '2023-02-01'),
    df['VisitDate'].between('2023-04-01', '2023-05-01')
]
labels = ['Dates: 1/1/2023 - 2/1/2023', 'Dates: 4/1/2023 - 5/1/2023']

# 生成分组列，不符合条件的标记为NaN
df['period'] = np.select(conditions, labels, default=np.nan)
# 过滤无效行并统计独立访问数
result = df.dropna(subset=['period']).groupby('period')['VisitID'].nunique()

方式二：一步到位，无需新增中间列 #

如果不想在DataFrame中新增列，可以直接在groupby中使用np.select，代码更紧凑：

import pandas as pd
import numpy as np

df = pd.DataFrame({"VisitID":['1', '2', '4', '5', '6'],
"VisitDate": ['1/1/2023', '2/1/2023', '3/1/2023', '4/1/2023', '5/1/2023']})
df['VisitDate'] = pd.to_datetime(df['VisitDate'])

result = df.groupby(
    np.select(
        [
            df['VisitDate'].between('2023-01-01', '2023-02-01'),
            df['VisitDate'].between('2023-04-01', '2023-05-01')
        ],
        ['Dates: 1/1/2023 - 2/1/2023', 'Dates: 4/1/2023 - 5/1/2023'],
        default=np.nan
    )
)['VisitID'].nunique().dropna()

优化说明 #

这两种方式都去掉了原代码中冗余的分类标签和后续过滤步骤，直接聚焦于需要统计的时间段，代码逻辑更直观，也更符合Pythonic的简洁风格。

内容的提问来源于stack exchange，提问作者Yisroel Len