如何基于pandas DataFrame日期列新增折旧计算列？

问题场景 #

现有Pandas DataFrame包含3列：

• Date：字符串格式，形如yyyy-mm-dd-hh-mm-ss
• ABC、XYZ：数值类型

需要新增Target Budget Yield列，计算规则：

• 2019年7月1日至2020年6月30日：取值为50
• 之后每一个财年（当年7月至次年6月），值按15%比例折旧（即乘以0.85）

原代码的问题 #

原代码存在多处错误，导致出现"ambiguous input"错误、全列值一致或计算结果偏离预期：

1. 循环赋值逻辑错误：每次循环都对整个Target Budget Yield列赋值，最终仅保留最后一次循环的结果，导致全列值统一
2. 语法错误：float5()是笔误（应为float()），且0*属于无效计算（应为50）
3. 日期类型错误：未将Date列转为datetime类型，直接用字符串与datetime对象比较，触发"ambiguous input"错误
4. 折旧计算逻辑错误：幂次计算不符合财年规则，导致折旧倍数错误

正确解决方案 #

步骤1：转换Date列为datetime类型 #

首先将字符串格式的日期转为Pandas可识别的datetime类型，避免比较错误：

import pandas as pd
import numpy as np

# 转换Date列格式
df['Date'] = pd.to_datetime(df['Date'], format='%Y-%m-%d-%H-%M-%S')

步骤2：按财年计算折旧倍数 #

基于7月至次年6月的财年规则，计算每个日期对应的折旧次数：

• 2019年7月-2020年6月：折旧次数为0，值为50
• 2020年7月-2021年6月：折旧次数为1，值为50*0.85
• 以此类推

步骤3：批量计算目标列 #

使用Pandas的向量化操作（避免低效循环）完成计算：

# 定义财年计算逻辑：7月及以后的日期，财年为年份+1；否则为当前年份
df['fiscal_year'] = df['Date'].apply(lambda x: x.year + 1 if x.month >=7 else x.year)
# 计算折旧次数：基准财年为2020（对应2019.7-2020.6）
df['depreciation_times'] = df['fiscal_year'] - 2020
# 计算目标列值
df['Target Budget Yield'] = 50 * (0.85 ** df['depreciation_times'])
# 可选：对2019年7月之前的日期赋值为NaN（若有此类数据）
df['Target Budget Yield'] = np.where(df['Date'] < pd.Timestamp('2019-07-01'), np.nan, df['Target Budget Yield'])

简化版（无需额外中间列） #

如果不需要保留财年和折旧次数列，可直接用apply一次性计算：

df['Target Budget Yield'] = df['Date'].apply(
    lambda x: 50 * (0.85 ** ((x.year + 1 if x.month >=7 else x.year) - 2020))
    if x >= pd.Timestamp('2019-07-01') else np.nan
)

验证结果 #

• 2019-07-01至2020-06-30：值为50
• 2020-07-01至2021-06-30：值为42.5（50*0.85）
• 2021-07-01至2022-06-30：值为36.125（42.5*0.85）
• 以此类推，符合预期折旧规则

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