如何在Pandas DataFrame中高效计算列头Timestamp与行索引时间的天数差

这是个典型的时间序列向量化计算需求，完全不用写低效的循环，利用Pandas/NumPy的广播特性就能快速搞定，下面是具体步骤：

1. 确认时间类型（可选但推荐） #

首先确保你的行索引和列名都是pd.Timestamp类型，如果之前是字符串格式，先做转换：

import pandas as pd

# 转换行索引为Timestamp
df.index = pd.to_datetime(df.index)
# 转换列名为Timestamp
df.columns = pd.to_datetime(df.columns)

2. 核心计算（向量化实现） #

利用Pandas的广播机制，我们可以直接让列头（一维Timestamps数组）和行索引（转成二维列向量）做减法，再转换为天数：

# 把行索引转成二维列向量，触发广播匹配
index_2d = df.index[:, None]
# 计算时间差并转换为天数
days_diff = (df.columns - index_2d) / pd.Timedelta(days=1)
# 转成DataFrame，保留原索引和列名
result_df = pd.DataFrame(days_diff, index=df.index, columns=df.columns)

更简洁的一行写法 #

上面的逻辑可以简化成一行代码，可读性依然很好：

result_df = pd.DataFrame(
    (df.columns - df.index[:, None]) / pd.Timedelta(days=1),
    index=df.index,
    columns=df.columns
)

3. 调整输出格式（按需） #

如果需要像示例那样保留一位小数或者取整，比如显示3.这种格式，可以按需处理：

# 保留1位小数
result_df = result_df.round(1)
# 或者直接取整数部分（和示例输出一致）
result_df = result_df.astype(int).applymap(lambda x: f"{x}.")

为什么这种方式高效？ #

这种方式用的是向量化运算，完全基于NumPy的底层优化，比逐行逐列遍历的循环快几个数量级，尤其是当你的DataFrame行数/列数很多时，性能优势会非常明显。

比如你的示例数据中，行索引2021-08-17 00:02:00和列头2021-08-20 08:00:00的时间差是3天7小时58分钟，转换为天数约等于3.33，用astype(int)就能得到示例中的整数结果。

内容的提问来源于stack exchange，提问作者asimo