for循环处理datetime.timedelta时pandas时间列赋值异常求解

• 循环逻辑存在全量覆盖问题：每一次遍历j时，df.loc[df['dd'] == 0, 'time']是匹配所有dd等于0的行统一赋值，而非只给第j行赋值。循环执行到最后一轮时，所有行的time字段都会被覆盖为最后一行的时分秒对应值，这是所有行time都显示为2021-07-11 04:56:00的核心原因。
• 额外逻辑错误：你原代码中循环范围写的是range(len(bc))，如果bc的长度和df行数不一致也会导致取值错误；同时你实际输出里dd=1的行日期仍为7月11日，是因为最后一轮循环执行dd==0的赋值逻辑后，覆盖了之前dd==1行的错误赋值结果。
• 写法冗余：这种逐行赋值的场景不需要写for循环，用pandas向量化操作效率更高、逻辑更清晰，也不容易出现覆盖错误。

方案1：修正原有for循环逻辑 #

如果要保留for循环写法，需要仅针对当前第j行判断dd值再赋值，不要全量匹配：

for j in range(len(df)):
    hh = df.iloc[j]['hh']
    mm = df.iloc[j]['mm']
    ss = df.iloc[j]['ss']
    if df.iloc[j]['dd'] == 0:
        df.loc[j, 'time'] = datetime(2021,7,11, hh, mm, ss)
    else:
        df.loc[j, 'time'] = datetime(2021,7,12, hh, mm, ss)

方案2：更高效的向量化写法（推荐） #

不需要循环，直接用pandas的条件操作实现，性能远高于逐行循环：

df['time'] = df.apply(lambda x: datetime(2021,7,11 if x['dd']==0 else 12, x['hh'], x['mm'], x['ss']), axis=1)

如果数据量较大，可以用更高效的时间拼接写法：

import numpy as np
base_date = np.where(df['dd'] == 0, datetime(2021,7,11), datetime(2021,7,12))
df['time'] = pd.to_datetime(base_date) + pd.to_timedelta(df['hh'], unit='h') + pd.to_timedelta(df['mm'], unit='m') + pd.to_timedelta(df['ss'], unit='s')

内容的提问来源于stack exchange，提问作者vp_050