如何在Pandas中根据时间单位列将时间值转换为秒数新列？

这里提供几种高效的实现方式，根据你的数据集大小和需求选择：

方法1：向量化字典映射（推荐大数据量） #

通过定义单位到秒的转换系数字典，结合map方法批量匹配系数，再与time列相乘，全程是向量化操作，效率最高。

import pandas as pd

# 示例数据
df = pd.DataFrame({
    'time': [1.5, 30, 500],
    'time_unit': ['h', 'm', 'ms']
})

# 单位转秒的系数映射
unit_to_seconds = {
    'h': 3600,
    'm': 60,
    'ms': 0.001
}

# 生成秒数列
df['seconds'] = df['time'] * df['time_unit'].map(unit_to_seconds)

运行后df的seconds列会得到5400.0、1800.0、0.5，完全符合转换逻辑。

方法2：多条件选择（可读性强） #

用np.select明确列出每个单位的转换规则，逻辑清晰，适合需要直观展示判断条件的场景，同样是向量化操作，效率接近方法1。

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'time': [1.5, 30, 500],
    'time_unit': ['h', 'm', 'ms']
})

# 定义判断条件和对应转换操作
conditions = [
    df['time_unit'] == 'h',
    df['time_unit'] == 'm',
    df['time_unit'] == 'ms'
]

conversion_ops = [
    df['time'] * 3600,
    df['time'] * 60,
    df['time'] * 0.001
]

# 生成结果，默认值设为NaN处理未知单位
df['seconds'] = np.select(conditions, conversion_ops, default=np.nan)

方法3：逐行处理（小数据集可用） #

用apply结合lambda函数逐行判断单位并转换，优点是写法灵活，但属于逐行循环操作，大数据量下速度会很慢，仅适合小数据集。

import pandas as pd

df = pd.DataFrame({
    'time': [1.5, 30, 500],
    'time_unit': ['h', 'm', 'ms']
})

df['seconds'] = df.apply(
    lambda row: row['time'] * 3600 if row['time_unit'] == 'h' 
    else row['time'] * 60 if row['time_unit'] == 'm' 
    else row['time'] * 0.001,
    axis=1
)

性能提示 #

• 优先选择方法1，向量化操作在百万级数据上的速度比逐行处理快几十倍甚至上百倍。
• 如果有未知的时间单位，方法2可以通过default参数设置默认值（比如np.nan），方便后续处理异常数据。

内容的提问来源于stack exchange，提问作者Energizer1