在Pandas中应用自定义函数修改列值及计算平均时间间隔

看起来你已经有了核心的解析思路，不过目前的代码在批量处理DataFrame行和实现最终平均值计算上还有点小问题，咱们一步步来解决：

一、重构解析函数 #

你的parse函数目前只能返回单个值就提前退出，没法批量处理每行数据。咱们把它改成可以接收单个时间间隔字符串的独立函数，同时加入空值处理：

import re
import pandas as pd

def parse_timespan(timespan_str):
    # 处理空值或无效值的情况
    if pd.isna(timespan_str) or not timespan_str.startswith(('-', 'P')):
        return 0
    is_negative = timespan_str.startswith('-')
    # 根据正负截取需要匹配的字符串部分
    target_str = timespan_str[1:] if is_negative else timespan_str
    # 用正则匹配年(Y)、月(M)、日(D)的数值
    date_info = re.findall(r"P(?:(\d+)Y)?(?:(\d+)M)?(?:(\d+)D)?$", target_str)
    if not date_info:
        return 0
    # 把匹配到的数值转成整数，空值则设为0
    year, month, day = [int(num) if num else 0 for num in date_info[0]]
    # 计算总天数（这里用365天/年、30天/月是简化计算，你可以根据需求调整）
    daystotal = (year * 365) + (month * 30) + day
    return -daystotal if is_negative else daystotal

二、生成新列（不修改原DataFrame） #

要在不改动原timespan列的前提下得到转换后的数值列，直接用Pandas的apply()方法就可以了——它会把函数应用到列的每一行，生成新列：

def do_process_citation_data(f_path):
    # 读取CSV时直接用skiprows=1跳过首行，比iloc[1:]更简洁
    my_ocan = pd.read_csv(
        f_path,
        names=['oci', 'citing', 'cited', 'creation', 'timespan', 'journal_sc', 'author_sc'],
        skiprows=1,
        parse_dates=['creation']  # timespan是间隔字符串，不用解析为日期
    )
    # 统一转换creation列的日期格式
    my_ocan['creation'] = pd.to_datetime(my_ocan['creation'], format="%Y-%m", yearfirst=True)
    # 生成新列timespan_days，完全保留原timespan列
    my_ocan['timespan_days'] = my_ocan['timespan'].apply(parse_timespan)
    return my_ocan

# 调用函数处理你的CSV文件
df = do_process_citation_data("citations.csv")

现在df里既有原始的timespan字符串列，又有新增的timespan_days整数列，完全不会修改原数据。

三、按年份计算timespan平均值 #

你的最终目标是计算特定年份的平均值，咱们可以先从creation列提取年份，再分组聚合：

1. 计算所有年份的平均值 #

# 从creation日期列提取年份，生成单独的year列
df['year'] = df['creation'].dt.year
# 按年份分组，计算每个年份的timespan平均值
yearly_avg_timespan = df.groupby('year')['timespan_days'].mean()
print(yearly_avg_timespan)

2. 计算单个特定年份的平均值 #

比如要计算1985年的平均值：

target_year = 1985
# 筛选出creation年份为1985的行，再计算平均值
avg_1985 = df[df['creation'].dt.year == target_year]['timespan_days'].mean()
print(f"1985年的timespan平均值：{avg_1985}")

小提示 #

• 为什么不用手动循环？：Pandas的apply是矢量化操作的简化写法，比手动写for循环效率高得多，尤其是处理几万行以上的数据时差距明显。
• 如果不想修改原DataFrame副本？：可以先复制一份原数据：df_copy = df.copy()，然后在df_copy上生成新列，原df就完全不受影响。
• 日期计算更精准？：如果需要更精准的天数计算（比如考虑闰年、不同月份的天数差异），可以用dateutil.relativedelta模块来解析ISO间隔字符串，不过你的简化计算已经能满足大部分场景需求啦。

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