基于多条件调整pandas DataFrame中的datetime字段值

逐行遍历DataFrame性能差的核心原因是所有逻辑都在Python层循环执行，用pandas原生的向量化操作可以把计算下推到C层，处理百万级以上数据也能秒级出结果，完全不需要逐行迭代。

实现步骤 #

1. 先确保Datetime列是标准时间类型
   如果列当前是字符串格式，先做类型转换：

import pandas as pd

df['Datetime'] = pd.to_datetime(df['Datetime'], format='%Y-%m-%d %H:%M:%S')

2. 构造筛选条件掩码
   掩码的作用是批量匹配所有需要修改的行，满足以下全部条件的行才会被选中：

• 时间属于上午时段：即小时数小于12（正午12点前）
• 时间不等于当天8:00整

mask = (df['Datetime'].dt.hour < 12) & (df['Datetime'].dt.time != pd.Timestamp("08:00:00").time())

如果你的业务定义中「上午时段」仅指8点之后到12点之前，把第一个条件改成(df['Datetime'].dt.hour > 8) & (df['Datetime'].dt.hour < 12)即可，逻辑可以按需调整。

3. 批量对匹配行加12小时
   直接用loc定位符合条件的行，整列做时间偏移，没有逐行循环开销：

df.loc[mask, 'Datetime'] += pd.Timedelta(hours=12)

特殊场景适配 #

如果你的原始数据里存在24:00:00格式的时间，pandas默认会将其解析为次日00:00:00，会误命中上午时段的判断。如果需要保留24:00原值不处理：

• 如果你的数据里本身没有凌晨0-7点的正常时间记录，可以直接在掩码里追加& (df['Datetime'].dt.hour != 0)排除这类值
• 如果数据里存在正常的凌晨时段记录，建议在读入数据、转datetime类型前，先把字符串里的24:00:00做特殊标记（比如替换成专属标识、单独打标签列），避免和正常的次日0点混淆导致误判。

效果验证 #

用你提供的测试数据运行上述代码，输出结果和预期完全一致：

内容的提问来源于stack exchange，提问作者speeder1987