Pandas中计算timedelta占比时处理除零错误的方法

针对你遇到的timedelta类型列计算比例时触发除零错误的问题，推荐以下几种Pandas/numpy原生的高性能解决方案：

方法一：用numpy.where做条件判断 #

先计算主动时间与被动时间的总和，通过条件判断总和是否为0，为0时返回NaN，否则计算比例：

import numpy as np
import pandas as pd

# 构造示例DataFrame
dataframe = pd.DataFrame(
    {
        'proactive_time': [pd.Timedelta(seconds=30), pd.Timedelta(0)],
        'passive_time': [pd.Timedelta(seconds=20), pd.Timedelta(0)]
    },
    index=['foo', 'bar']
)

total_time = dataframe['proactive_time'] + dataframe['passive_time']
dataframe['proactive_ratio'] = np.where(
    total_time == pd.Timedelta(0),
    np.nan,
    dataframe['proactive_time'] / total_time
)

该方法采用向量化运算，性能远优于循环或apply，直接处理timedelta类型无需转换。

方法二：转换为数值型后处理 #

将timedelta转换为总秒数（或其他时间单位），计算比例后替换除零产生的inf值为NaN：

# 提取各列的总秒数
proactive_sec = dataframe['proactive_time'].dt.total_seconds()
passive_sec = dataframe['passive_time'].dt.total_seconds()
total_sec = proactive_sec + passive_sec

# 计算比例并替换异常值
dataframe['proactive_ratio'] = proactive_sec / total_sec
dataframe['proactive_ratio'] = dataframe['proactive_ratio'].replace([np.inf, -np.inf], np.nan)

这种方法利用数值运算的特性，将除零产生的无穷大值统一替换为NaN，同样是向量化操作，性能优异。

补充：关于apply的说明 #

你提到apply难以访问多列，其实可以通过指定axis=1实现，但apply本质是逐行遍历，性能远不如上述向量化方法，仅作参考：

dataframe['proactive_ratio'] = dataframe.apply(
    lambda row: row['proactive_time'] / (row['proactive_time'] + row['passive_time']) 
    if (row['proactive_time'] + row['passive_time']) != pd.Timedelta(0) 
    else np.nan,
    axis=1
)

内容的提问来源于stack exchange，提问作者PlankTon