如何对pandas DataFrame中时分秒格式的时间数据执行求和运算

核心逻辑是把%H:%M:%S格式的字符串转为pandas内置的timedelta时间差类型，该原生类型支持直接求和运算，处理百万级以上的数据量也不会有性能问题。

步骤1：转换时间列格式 #

使用pd.to_timedelta直接把字符串列转为时间差类型：

import pandas as pd

# 转换列，errors='coerce'可自动把非法格式的值转为空时间值NaT，避免报错
df['time_col'] = pd.to_timedelta(df['time_col'], errors='coerce')

步骤2：直接求和 #

对转换后的列直接调用sum()方法即可得到总时长：

total_duration = df['time_col'].sum()

得到的total_duration是timedelta类型，可直接用于后续的时间计算，比如和其他时间差做加减、求平均值等。

步骤3：可选，转回时分秒字符串格式 #

如果需要把结果转回和原数据一致的HH:MM:SS字符串格式，可以用以下自定义函数处理：

def format_timedelta_to_hms(td):
    total_sec = int(td.total_seconds())
    hours = total_sec // 3600
    minutes = (total_sec % 3600) // 60
    seconds = total_sec % 60
    return f"{hours:02d}:{minutes:02d}:{seconds:02d}"

# 转换结果示例
print(format_timedelta_to_hms(total_duration))

测试验证 #

用你给出的示例数据测试：

test_data = ["01:59:55", "00:30:17", "00:09:00", "00:15:03"]
test_df = pd.DataFrame(test_data, columns=["time_col"])
test_df["time_col"] = pd.to_timedelta(test_df["time_col"])
total = test_df["time_col"].sum()
print(format_timedelta_to_hms(total))
# 输出结果为：02:54:15，和手动计算结果一致

大体量数据优化建议 #

• 转换前先过滤全空的行，减少无效计算
• 不需要保留原字符串列的情况下直接覆盖转换，降低内存占用

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