Python：将DataFrame中%M:%S.%f格式字符串列转为秒数浮点数

直接用pandas内置方法就能高效处理整列数据，以下是两种可行方案：

方案一：利用pd.to_datetime和dt.total_seconds()（推荐） #

这是最简洁且高效的方式，适合处理大规模数据：

import pandas as pd

# 将列转为datetime类型，指定匹配格式%M:%S.%f
df['D Interval'] = pd.to_datetime(df['D Interval'], format='%M:%S.%f')

# 提取总秒数，自动转为浮点数
df['D Interval'] = df['D Interval'].dt.total_seconds()

如果列中存在格式不匹配的异常值，可以添加errors='coerce'参数将错误值转为NaT，后续再按需处理：

df['D Interval'] = pd.to_datetime(df['D Interval'], format='%M:%S.%f', errors='coerce')
df['D Interval'] = df['D Interval'].dt.total_seconds()

# 示例：将NaN值替换为0（可根据实际需求调整）
df['D Interval'] = df['D Interval'].fillna(0)

方案二：自定义函数结合apply #

如果需要更灵活的逻辑处理，可以写自定义函数遍历列：

def convert_to_seconds(time_str):
    # 拆分分钟、秒、微秒部分
    mins, sec_micro = time_str.split(':')
    secs, micros = sec_micro.split('.')
    # 计算总秒数
    return int(mins)*60 + int(secs) + int(micros)/1000000

df['D Interval'] = df['D Interval'].apply(convert_to_seconds)

注意：方案一的内置方法执行效率远高于方案二的apply遍历，优先推荐方案一。

内容的提问来源于stack exchange，提问作者user15404111