Pandas忽略年份映射Series到DataFrame的非apply实现方法

有，直接基于Pandas向量化操作就能实现，不需要逐行调用.apply，性能比apply高一个量级，核心思路是剥离两边时间的年份维度，只用月、日、时分信息做键匹配即可。

实现代码 #

假设你的34年数据DataFrame为df，时间信息存放在DatetimeIndex索引上；单年参考数据为ref_s，时间同样存放在自身的DatetimeIndex上：

# 可选：如果时间带秒级偏移，先统一规整到小时粒度，避免匹配漏数
df.index = df.index.floor("H")
ref_s.index = ref_s.index.floor("H")

# 把参考Series的索引替换为「月-日 时:分」格式的无年份键，生成映射表
ref_map = ref_s.set_axis(ref_s.index.strftime("%m-%d %H:%M"))

# 目标DF提取同样格式的键，直接映射赋值新列
df["new_col"] = df.index.strftime("%m-%d %H:%M").map(ref_map)

如果你的时间信息不是存在索引上，而是存在df的某一列（比如列名是dt），把上面代码里的df.index替换为df["dt"].dt即可，参考代码：

df["new_col"] = df["dt"].dt.strftime("%m-%d %H:%M").map(ref_map)

可选替代写法 #

如果不想用字符串做匹配键，也可以提取时间的月、日、时、分属性做多级索引匹配，逻辑完全等价，性能没有差异：

ref_map = ref_s.set_axis([ref_s.index.month, ref_s.index.day, ref_s.index.hour, ref_s.index.minute])
df["new_col"] = pd.MultiIndex.from_arrays([
    df.index.month, df.index.day, df.index.hour, df.index.minute
]).map(ref_map)

以上写法全是Pandas原生向量化逻辑，没有逐行遍历的开销，哪怕是34年逐小时粒度的30万行左右数据，跑起来也是毫秒级出结果。

内容的提问来源于stack exchange，提问作者CarbonvanE