如何将DataFrame长数字按位置拆分转换为天时分秒日期格式

以下操作全部基于pandas向量化字符串接口实现，无手写循环，执行效率高，适配你当前10行75列的数据集规模。 #

1. 访问目标列 #

DataFrame列位置索引从0开始计数，第三列对应的位置索引为2，可直接通过位置索引访问整列，无需依赖列名：

# 取所有行、第3列的全部数据
col_data = df.iloc[:, 2]

前置校验：如果列数据读入时被识别为整数类型，先统一转为10位长度字符串，避免前导零丢失导致切片错位：

col_data = col_data.astype(str).str.zfill(10)

2. 固定位置拆分字段 #

Python字符串切片规则为「左闭右开」，直接按字符位置截取即可得到对应字段：

• 天数字段（前4位，对应示例值0123）：col_data.str[0:4]
• 小时字段（第5-6位，对应示例值45）：col_data.str[4:6]
• 分钟字段（第7-8位，对应示例值67）：col_data.str[6:8]
• 秒数字段（第9-10位，对应示例值89）：col_data.str[8:10]
  拆分后将各字段转为整数类型，方便后续时间计算。

3. 转换为标准日期时间格式 #

这类定长数字串记录的时间，一般是以1970-01-01 00:00:00为基准的累计时间偏移，直接通过时间增量累加即可得到标准datetime格式，自动处理超量程时间值（比如示例中45小时、67分钟这类超出常规时分范围的值会自动进位），避免手动拼接字符串带来的格式错误：

import pandas as pd

# 拆分并转换字段类型
d = col_data.str[0:4].astype(int)
h = col_data.str[4:6].astype(int)
m = col_data.str[6:8].astype(int)
s = col_data.str[8:10].astype(int)

# 累加时间偏移得到标准时间
df['标准时间'] = pd.Timestamp("1970-01-01") \
              + pd.to_timedelta(d, unit="d") \
              + pd.to_timedelta(h, unit="h") \
              + pd.to_timedelta(m, unit="m") \
              + pd.to_timedelta(s, unit="s")

# 若需要输出为指定格式的字符串时间，可取消下方注释调整格式
# df['标准时间'] = df['标准时间'].dt.strftime("%Y-%m-%d %H:%M:%S")

示例验证 #

用你给出的样例值0123456789测试：拆分得到天数=123、小时=45、分钟=67、秒=89，代码自动完成时间进位计算后，可得到符合格式要求的标准时间结果。 #

内容的提问来源于stack exchange，提问作者Vims Rocz