运行Pandas日期编码函数时触发ValueError：传入项数与预期不符的问题排查

首先，咱们来拆解你遇到的ValueError问题——核心原因是你试图把整个DataFrame赋值给单个列，这就好比想把一整箱书塞进一个抽屉格子里，维度完全不匹配。

错误根源分析 #

看你的encoding函数里这两行：

df['feature_week_day'] = encoding_1(df,'Week Day',7)
df['feature_month'] = encoding_1(df,'Month', 12)

而你的encoding_1函数是这样的：它接收df后，直接在原df上添加sine_xxx和cosine_xxx两列，然后返回整个df。当你把这个返回的df（包含多列）赋值给df['feature_week_day']这个单列时，pandas就会报错，因为它预期接收1维数据，结果收到了整个DataFrame的多列数据。

另外，你的Date列里有20210419这种无分隔符的日期格式，虽然pd.to_datetime能自动识别，但最好统一处理，避免潜在的解析问题。

修正方案 #

我们需要调整encoding_1的逻辑，或者修改encoding里的调用方式，让它们的操作匹配。这里提供两种简洁的修正思路：

方案1：让encoding_1直接在原df上修改，无需赋值

既然encoding_1已经在输入的df上添加了新列，那我们不需要把它的返回值赋值给任何列，直接调用函数即可。修改后的代码如下：

import pandas as pd
import numpy as np

def encoding(df, column_name: str):
    if column_name in df.columns:
        # 统一处理日期格式，兼容分隔符/无分隔符的日期
        dr = pd.to_datetime(df[column_name], format='mixed')
        df['Week Day'] = dr.weekday
        df['Month'] = dr.month
        # 直接调用encoding_1，它会在原df上添加sine和cosine列，无需赋值
        encoding_1(df,'Week Day',7)
        encoding_1(df,'Month', 12)
    return df

def encoding_1(df, column_name: str, period: int):
    if column_name in df.columns:
        df['sine_' + column_name] = np.sin(2 * np.pi * df[column_name] / period)
        df['cosine_' + column_name] = np.cos(2 * np.pi * df[column_name] / period)
    # 不需要返回df，因为已经修改了原df；若要返回也可以，但调用时不要赋值给单列

# 测试调用
df = pd.DataFrame({'Id':['ABC123', 'ABC124', 'ABC125', 'ABC126'], 'Date':['2008-01-01','2008-01-02','2020-02-01', '20210419']})
result = encoding(df,'Date')
print(result.columns)
# 输出会包含：Id, Date, Week Day, Month, sine_Week Day, cosine_Week Day, sine_Month, cosine_Month

方案2：让encoding_1返回生成的特征列，再合并到原df

如果你希望encoding_1更独立，不修改原df，可以让它返回生成的sine和cosine列，然后在encoding里合并到原df：

import pandas as pd
import numpy as np

def encoding(df, column_name: str):
    if column_name in df.columns:
        dr = pd.to_datetime(df[column_name], format='mixed')
        df['Week Day'] = dr.weekday
        df['Month'] = dr.month
        # 获取week day的编码特征，合并到df
        week_features = encoding_1(df,'Week Day',7)
        df = pd.concat([df, week_features], axis=1)
        # 获取month的编码特征，合并到df
        month_features = encoding_1(df,'Month', 12)
        df = pd.concat([df, month_features], axis=1)
    return df

def encoding_1(df, column_name: str, period: int):
    if column_name in df.columns:
        # 生成特征列，不修改原df
        sine_col = np.sin(2 * np.pi * df[column_name] / period)
        cosine_col = np.cos(2 * np.pi * df[column_name] / period)
        # 返回新的DataFrame包含这两列
        return pd.DataFrame({
            'sine_' + column_name: sine_col,
            'cosine_' + column_name: cosine_col
        })

# 测试调用
df = pd.DataFrame({'Id':['ABC123', 'ABC124', 'ABC125', 'ABC126'], 'Date':['2008-01-01','2008-01-02','2020-02-01', '20210419']})
result = encoding(df,'Date')
print(result)

额外优化点 #

• 使用pd.to_datetime(..., format='mixed')可以更好地处理多种日期格式，比如你的20210419和2008-01-01混合的情况。
• 如果不想修改原始输入的df，可以在encoding函数里先复制一份：df_copy = df.copy()，然后对df_copy进行操作，避免污染原数据。

内容的提问来源于stack exchange，提问作者user3447653