高性能修改时间序列DataFrame：特定月日的Type列批量调整

问题概述 #

给定一个大型时间序列DataFrame（示例数据如下），需要完成：

Name     | date       | value | Type
player 1 | 2010/02/10 | 100   | 2
player 2 | 2011/16/15 | 200   | 3
player 3 | 2012/02/10 | 150   | 4 
player 4 | 2013/11/16 | 136   | 5
player 5 | 2014/02/10 | 94    | 6

• 定位所有月日为02/10的行，将其Type改为指定值（示例中为2）
• 若该日期是周末，则改为更新其下一个工作日对应行的Type
• 数据集规模极大，必须避免循环遍历这类低性能操作

矢量化实现方案（无循环，高性能） #

基于Pandas的内置时间处理能力，全程矢量化操作，适合超大数据量：

import pandas as pd
from pandas.tseries.offsets import BDay

# 1. 确保date列是datetime类型（注意示例日期格式是年/日/月，按需调整format参数）
df['date'] = pd.to_datetime(df['date'], format='%Y/%d/%m')

# 2. 筛选出所有2月10日的日期
target_mask = (df['date'].dt.month == 2) & (df['date'].dt.day == 10)

# 3. 对筛选出的日期，计算调整后的目标日期：工作日保留原日期，周末取下一个工作日
adjusted_dates = df.loc[target_mask, 'date'].apply(
    lambda x: x if x.weekday() < 5 else x + BDay(1)
)

# 4. 批量更新Type列到指定值
SPECIFIED_TYPE = 2
df.loc[df['date'].isin(adjusted_dates), 'Type'] = SPECIFIED_TYPE

关键细节说明 #

• 矢量化筛选：用dt.month和dt.day直接提取日期部分，生成布尔掩码，效率远高于循环判断
• 工作日调整：BDay是Pandas内置的工作日偏移工具，自动跳过周末；如果需要支持自定义节假日，可以传入holidays参数扩展
• 批量更新：最后用isin匹配调整后的日期，一次性完成所有符合条件行的Type列更新，全程无逐行操作

内容的提问来源于stack exchange，提问作者GLVieira