更新包后np.timedelta64 'M'单位不支持，如何计算日期月差？

问题背景 #

之前通过(df['to_date']-df['from_date'])/np.timedelta64(1, 'M')计算日期月份差的方式，在升级Pandas到2.1.4、Numpy到1.26.2后触发报错：

ValueError: Unit M is not supported. Only unambiguous timedelta values durations are supported. Allowed units are 'W', 'D', 'h', 'm', 's', 'ms', 'us', 'ns'

这是因为Numpy不再支持模糊时间单位（比如月份，不同月份天数不同）的直接转换。

解决方案 #

推荐三种可靠的计算方式：

方法1：整数月份差（精确） #

通过年份差乘以12加上月份差，得到精确的整数月份数：

import pandas as pd
import numpy as np

df = pd.DataFrame({'from_date': ['01-10-2003', '15-12-2004', '01-08-2012', '09-07-2001'],
                  'to_date': ['01-11-2003', '15-12-2006', '01-09-2012', '09-12-2001']})
df['from_date'] = pd.to_datetime(df['from_date'], format='%d-%m-%Y')
df['to_date'] = pd.to_datetime(df['to_date'], format='%d-%m-%Y')

# 计算整数月份差
df['Months'] = (df['to_date'].dt.year - df['from_date'].dt.year) * 12 + (df['to_date'].dt.month - df['from_date'].dt.month)
df

适合需要精确整数月份的场景，比如两个日期同月同日时，结果就是完整的月份数。

方法2：Period对象相减（简洁） #

将日期转换为月度周期（Period）后直接相减，得到整数月份差：

import pandas as pd
import numpy as np

df = pd.DataFrame({'from_date': ['01-10-2003', '15-12-2004', '01-08-2012', '09-07-2001'],
                  'to_date': ['01-11-2003', '15-12-2006', '01-09-2012', '09-12-2001']})
df['from_date'] = pd.to_datetime(df['from_date'], format='%d-%m-%Y')
df['to_date'] = pd.to_datetime(df['to_date'], format='%d-%m-%Y')

# 转换为月度Period后计算差值
df['Months'] = df['to_date'].dt.to_period('M') - df['from_date'].dt.to_period('M')
# 若需要转为数值类型，添加：
# df['Months'] = df['Months'].dt.n
df

结果默认是Period对象，添加dt.n可转为整数。

方法3：近似小数月份（兼容旧逻辑） #

如果需要类似之前的小数月份结果（考虑当月天数比例），可手动计算：

import pandas as pd
import numpy as np

df = pd.DataFrame({'from_date': ['01-10-2003', '15-12-2004', '01-08-2012', '09-07-2001'],
                  'to_date': ['01-11-2003', '15-12-2006', '01-09-2012', '09-12-2001']})
df['from_date'] = pd.to_datetime(df['from_date'], format='%d-%m-%Y')
df['to_date'] = pd.to_datetime(df['to_date'], format='%d-%m-%Y')

# 总天数除以公历平均月天数（30.4375）
df['Months'] = (df['to_date'] - df['from_date']).dt.days / 30.4375
df

这种方式是近似值，适合不需要绝对精确的场景。

内容的提问来源于stack exchange，提问作者gtomer