Pandas如何基于条件向日期列向量式添加对应时间增量

原有代码的问题 #

你之前的写法有两个本质问题：

1. Python标准库的datetime.timedelta仅支持标量值传参，直接传入Series类型的tf_int必然报错
2. timedelta本身不支持月、年这类时长不固定的时间单位，就算解决了传参问题，也处理不了M、Y维度的偏移需求，更满足不了「月偏移保留原日字段」的规则。

向量化实现代码 #

不需要反复写.loc做条件判断，也不需要逐行循环，用pandas原生的DateOffset配合分组批量偏移即可，性能和简洁度都满足要求：

import pandas as pd

# 第一步：先把Date列转为pandas标准datetime类型，所有时间操作的前置要求
df['Date'] = pd.to_datetime(df['Date'])

# 时间单位和DateOffset参数的映射表，后续新增时间单位直接在字典里加键值对就行
unit_param_map = {
    'D': 'days',
    'W': 'weeks',
    'M': 'months',
    'Y': 'years'
}

# 初始化结果列
df['publish_date'] = pd.Series(dtype='datetime64[ns]', index=df.index)

# 按时间单位分组做批量向量偏移，同单位的行一次性计算完成
for unit, param in unit_param_map.items():
    row_mask = df['tf'] == unit
    df.loc[row_mask, 'publish_date'] = df.loc[row_mask, 'Date'] + pd.DateOffset(
        **{param: df.loc[row_mask, 'tf_int']}
    )

运行结果 #

针对给出的示例数据集，运行后输出完全符合预期：

补充说明：这里用pd.DateOffset的months/years参数做偏移时，会默认保留原日期的日字段，刚好匹配提出的月偏移规则。如果后续需要处理月末日期（比如1月31日加1个月自动对齐到月末），只需要把对应单位的Offset换成pd.offsets.MonthEnd/YearEnd即可。

性能提示 #

不要用df.apply(..., axis=1)的逐行写法，本质是Python层的逐行循环，数据量到10万行以上时速度会比上面的分组批量计算慢几十上百倍。上面的写法每个时间单位仅做一次向量运算，性能和pandas原生向量化操作一致。

内容的提问来源于stack exchange，提问作者Charizard_knows_to_code