如何让Python/Pandas将YYYY-YY格式识别为时间区间？

针对NBA跨年度赛季的格式（如1999-00），不需要依赖字符串切片反复处理，用Pandas的Period类型可以完美实现时间范围查询需求——Period本身代表一个连续时间区间，刚好匹配赛季的属性。

方法1：转换为赛季结束年份的年度Period #

NBA赛季通常从当年10月持续到次年6月，大部分官方统计会以赛季结束年份作为核心标识（比如2019-20赛季的冠军归属会记在2020年）。我们可以直接将YYYY-YY格式转换为结束年份的年度Period：

import pandas as pd
import numpy as np

test_df = pd.DataFrame(data={'Season':['1996-97', '1997-98', '1998-99', 
'1999-00', '2000-01', '2001-02',
'2002-03','2003-04','2004-05', 
'2005-06','2006-07','2007-08', 
'2008-09', '2009-10', '2010-11', '2011-12'],
'Height':np.random.randint(20, size=16), 
'Weight':np.random.randint(40, size=16)}) 

# 转换Season为结束年份的年度Period
test_df['Season_Period'] = test_df['Season'].apply(
    lambda x: pd.Period(f"{int(x.split('-')[0]) + 1}", freq='A')
)

转换后，Season_Period列的每个值都是代表赛季结束年份的年度周期，比如1999-00会变成Period('2000', 'A')。

时间范围查询示例 #

比如要查询2016至2020年期间的赛季（对应2015-16到2019-20赛季）：

# 筛选结束年份在2016到2020之间的赛季
filtered_df = test_df[(test_df['Season_Period'] >= pd.Period('2016', 'A')) & 
                      (test_df['Season_Period'] <= pd.Period('2020', 'A'))]

方法2：转换为赛季起止日期的精确Period范围 #

如果需要区分全明星赛、季后赛这类具体时间节点的查询，可以将赛季转换为包含精确起止日期的Period：

# 转换为赛季起止日的Period
test_df['Season_Start'] = test_df['Season'].apply(
    lambda x: pd.Period(f"{int(x.split('-')[0])}-10-01", freq='D')
)
test_df['Season_End'] = test_df['Season'].apply(
    lambda x: pd.Period(f"{int(x.split('-')[0])+1}-06-30", freq='D')
)

精确时间范围查询示例 #

比如查询1999年全明星赛（假设在2000年2月）到2001年季后赛（假设在2001年5月）期间的赛事数据：

target_start = pd.Period('2000-02-01', freq='D')
target_end = pd.Period('2001-05-31', freq='D')

# 筛选覆盖目标时间区间的赛季
filtered_df = test_df[(test_df['Season_Start'] <= target_end) & 
                      (test_df['Season_End'] >= target_start)]

为什么不用字符串切片？ #

用Period类型的核心优势：

• 原生支持时间比较、范围筛选，不用手动处理字符串拼接/拆分的冗余逻辑
• 可以直接结合Pandas的时间序列工具（如resample、rolling）做复杂统计
• 语义更清晰，Period('2000', 'A')直接对应1999-00赛季的结束年度，比字符串'1999-00'更直观

内容的提问来源于stack exchange，提问作者felipedmc