Python Pandas实现日期在start_date前12个月判断生成新列

实现思路 #

规则拆解为两个必须同时满足的判断条件：

1. 调查日期survey_date不晚于起始日期start_date
2. 调查日期距离起始日期的间隔不超过12个月
   注意：不要直接用365天折算12个月，会因闰年、大小月天数差异产生计算误差，使用pandas内置的DateOffset做日期偏移可以保证月份计算的准确性。

可直接运行的代码 #

import pandas as pd

# 构造样例数据，读取自有数据时可跳过本段
df = pd.DataFrame({
    'ID': [1, 1, 1, 1, 2, 2],
    'survey_date': ['2019-05-01', '2021-05-01', '2023-05-01', '2021-12-01', '2010-01-01', '2011-05-01'],
    'start_date': ['2022-05-01', '2022-05-01', '2022-05-01', '2022-05-01', '2010-02-01', '2010-02-01']
})

# 强制转换两列为日期类型，若字段已是datetime格式可跳过
df['survey_date'] = pd.to_datetime(df['survey_date'])
df['start_date'] = pd.to_datetime(df['start_date'])

# 计算12个月窗口的左边界：起始日期往前推12个月
window_left = df['start_date'] - pd.DateOffset(years=1)

# 按判断条件赋值，布尔值转int即得到0/1结果
df['new_column'] = (
    (df['survey_date'] >= window_left) 
    & (df['survey_date'] <= df['start_date'])
).astype(int)

运行结果 #

执行代码后输出的DataFrame完全匹配预期：

适配调整说明 #

• 如果业务规则中“12个月范围内”不包含survey_date刚好等于start_date的场景，把判断条件中的<= df['start_date']修改为< df['start_date']即可
• 处理千万级以上超大数据集时，DateOffset计算性能偏低，可替换为pd.Timedelta(days=365)做近似计算，在误差可接受的场景下能大幅提升运行速度

内容的提问来源于stack exchange，提问作者Daven1