基于日期差复制行并递增起始日期的Python技术问题

你的代码核心问题是只复制了原行数据，没有对起始日期做递增修改，所以复制出来的所有行起始日期都和原行一致。下面提供两种解决思路，从修改原有逻辑到更高效的pandas向量化方法：

方法一：修改原有循环逻辑 #

先确保日期列是可运算的datetime类型，然后在复制行时手动递增起始日期：

import pandas as pd

# 先把起始日期转成datetime类型，否则没法做日期加法
Fortnight_1['start date'] = pd.to_datetime(Fortnight_1['start date'])

# 遍历每一行
for s in range(len(Fortnight_1)):
    diff = Fortnight_1['Date_Difference'].iloc[s]
    if diff > 0:
        original_row = Fortnight_1.iloc[s].copy()
        # 循环生成diff次递增后的行（从1开始，避免重复原行）
        for i in range(1, int(diff) + 1):
            new_row = original_row.copy()
            # 起始日期加i天
            new_row['start date'] = original_row['start date'] + pd.Timedelta(days=i)
            # 追加到df，注意加ignore_index避免索引混乱
            df = df.append(new_row, ignore_index=True)

注意：pandas 2.0及以上版本已经弃用append，更推荐用pd.concat([df, new_row.to_frame().T], ignore_index=True)替代。

方法二：高效向量化处理（推荐） #

循环处理大数据集效率极低，用pandas的apply+explode可以一次性完成，速度快很多：

import pandas as pd

# 第一步还是转日期类型
Fortnight_1['start date'] = pd.to_datetime(Fortnight_1['start date'])

# 为每行生成从原起始日期到起始日期+日期差的连续日期序列
Fortnight_1['Dates'] = Fortnight_1.apply(
    lambda row: pd.date_range(
        start=row['start date'],
        end=row['start date'] + pd.Timedelta(days=row['Date_Difference']),
        freq='D'
    ),
    axis=1
)

# 把日期序列展开成多行，同时保留其他列数据
df_expanded = Fortnight_1.explode('Dates').reset_index(drop=True)

# 替换原start date列（或者保留原列，根据需求调整）
df_expanded['start date'] = df_expanded['Dates']
df_expanded = df_expanded.drop('Dates', axis=1)

关键注意点 #

• 必须先将start date转换为datetime类型，否则无法进行日期递增运算
• 如果Date_Difference的单位不是天（比如小时、周），把pd.Timedelta(days=i)改成对应单位即可（比如hours=i）
• 若初始df不包含原数据，需要先把Fortnight_1的所有行追加进去，再执行上述逻辑

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