你遇到的问题很常见——datetime.timedelta确实不支持直接传入years参数（毕竟不同年份天数不同），而且它只能处理标量值，没法直接和Pandas的Series配合使用。下面给你两种可行的方法，都能得到接近的目标日期：

方法1：使用pd.DateOffset处理日历年份 #

Pandas的DateOffset专门用来处理日历相关的时间偏移，它支持传入小数年份，还能通过逐行处理和Series配合使用：

import pandas as pd

# 初始化你的DataFrame
df = pd.DataFrame({
    'date': ['2009-12-25','2005-01-09','2010-10-31'],
    'time_in_years': ['10.3434','5.0977','3.3426']
})
df['date'] = pd.to_datetime(df['date'])
df["time_in_years"] = df.time_in_years.astype(float)

# 生成date_2列
df['date_2'] = df.apply(lambda row: row['date'] + pd.DateOffset(years=row['time_in_years']), axis=1)

这个方法会按照日历规则处理年份、月份的变化，比如遇到闰年2月29日这类特殊日期时，会自动调整到合理的日期，小数年份的部分会按比例分配到月和日，结果更符合日常的日历逻辑。

方法2：通过平均年天数转换为时间差 #

如果你不需要严格遵循日历规则，只是想要一个近似的时间跨度，可以把小数年份转换成天数（用公历平均年长度365.2425天），再用pd.to_timedelta转换为时间差：

# 使用平均年天数计算
avg_days_per_year = 365.2425
df['date_2'] = df['date'] + pd.to_timedelta(df['time_in_years'] * avg_days_per_year, unit='D')

这种方法计算更快，不需要逐行apply，适合处理大规模数据，但结果是基于平均天数的近似值，和日历年份的精确计算会有细微差别。

为什么你的原代码不行？ #

• datetime.timedelta没有years参数，因为年份的天数不固定（平年365，闰年366），Python标准库的timedelta只支持固定时长的单位（天、小时、秒等）。
• 即使你转换为天数，datetime.timedelta也只能接受标量值，不能直接传入Pandas的Series，所以会报错。

内容的提问来源于stack exchange，提问作者user9292