如何在Pandas中计算含NaT的日期列工作日差值并生成新列

先快速梳理两种场景的基础实现：

• 无需排除周末：直接让两列日期相减就行，代码超简单：

  df['Difference in Days'] = df['Column 2'] - df['Column 1']
  # 如果需要把Timedelta类型转成纯天数数值，加.dt.days
  # df['Difference in Days'] = (df['Column 2'] - df['Column 1']).dt.days
  

接下来重点解决你提到的排除周末+处理NaT值的需求，分两步走：

1. 先把日期列转成标准datetime类型 #

np.busday_count()只认datetime64类型，所以先给原始日期列做格式转换：

import pandas as pd

# 根据你的日期格式（日/月/两位年）指定format，格式不同的话记得调整
df['Column 1'] = pd.to_datetime(df['Column 1'], format='%d/%m/%y')
df['Column 2'] = pd.to_datetime(df['Column 2'], format='%d/%m/%y')

2. 计算工作日差值并处理NaT #

这里有两种实现方式，按需选：

方式一：向量化操作（高效，适合大数据量） #

用np.where结合掩码判断，先筛选出两列都不为NaT的行，再计算工作日差，其他行返回空值：

import numpy as np

# 创建掩码：标记两列都不为空的行
valid_dates_mask = pd.notna(df['Column 1']) & pd.notna(df['Column 2'])

# 计算差值：符合条件的用busday_count，否则返回pd.NA（对应你要的Blank）
df['Difference in Days'] = np.where(
    valid_dates_mask,
    np.busday_count(df['Column 1'].to_numpy(), df['Column 2'].to_numpy()),
    pd.NA
)

方式二：逐行处理（直观，适合新手理解） #

写个自定义函数，用apply逐行检查并计算：

def get_business_days(row):
    # 只要任一列为NaT，就返回空值
    if pd.isna(row['Column 1']) or pd.isna(row['Column 2']):
        return pd.NA
    # 转成numpy datetime64类型后计算工作日差
    start_date = row['Column 1'].to_numpy()
    end_date = row['Column 2'].to_numpy()
    return np.busday_count(start_date, end_date)

df['Difference in Days'] = df.apply(get_business_days, axis=1)

验证示例结果 #

用你给出的初始DataFrame测试：

初始数据 #

运行代码后结果 #

如果希望把<NA>显示为空白字符串，可以加一句：

df['Difference in Days'] = df['Difference in Days'].fillna('')

额外提一句：如果需要排除节假日，可以给np.busday_count()加holidays参数，传入一个格式统一为datetime64的节假日日期数组即可。

内容的提问来源于stack exchange，提问作者Josh Fox