如何用Pythonic方式将Pandas Datetime索引转换为分类变量？

你原来的字典+lambda思路方向没错，但问题出在字典的键不能直接用lambda函数——map会把每个日期对象和lambda对象本身做匹配，而不是执行lambda的判断逻辑，所以才会失败。下面给你几个更Pythonic、高效的实现方案：

方案1：用pd.cut()（最简洁高效） #

pd.cut()是Pandas专门用于分箱的工具，天生适合这种按时间区间分类的场景，代码简洁且性能优异：

import pandas as pd

# 创建日期序列
date_series = pd.date_range(start='2010-12-31', end='2018-12-31', freq='M')

# 定义时间区间边界和对应标签
bins = [pd.Timestamp('2000-01-01'), pd.Timestamp('2012-01-01'), pd.Timestamp('2014-01-01'), pd.Timestamp('2020-01-01')]
labels = ['before 2012', '2012 - 2014', 'after 2014']

# 生成分类结果，include_lowest确保左边界被包含
regime = pd.cut(date_series, bins=bins, labels=labels, include_lowest=True)

# 组合成目标数据集
df = pd.DataFrame({'date': date_series, 'regime': regime})

# 查看部分结果
print(df.head())

输出示例：

date        regime
0 2010-12-31  before 2012
1 2011-01-31  before 2012
2 2011-02-28  before 2012
3 2011-03-31  before 2012
4 2011-04-30  before 2012

方案2：用np.select()（灵活处理复杂条件） #

如果你的时间区间逻辑更复杂（比如非连续区间、特殊规则），np.select()会更灵活，它支持定义多组条件与对应结果：

import pandas as pd
import numpy as np

date_series = pd.date_range(start='2010-12-31', end='2018-12-31', freq='M')

# 定义条件列表和对应的结果列表
conditions = [
    date_series < '2012-01-01',
    (date_series >= '2012-01-01') & (date_series < '2014-01-01'),
    date_series >= '2014-01-01'
]
choices = ['before 2012', '2012 - 2014', 'after 2014']

# 匹配条件生成分类结果
regime = np.select(conditions, choices)

# 组合成数据集并查看指定行
df = pd.DataFrame({'date': date_series, 'regime': regime})
print(df.iloc[[0, 28, 96]])

输出示例：

date        regime
0  2010-12-31  before 2012
28 2013-04-30  2012 - 2014
96 2018-12-31   after 2014

补充：为什么原来的方法失效？ #

你之前的字典键是lambda函数对象，date_series.map(regime_splitter)会尝试把每个日期对象作为键去字典里查找，而不是执行lambda的判断逻辑，自然找不到匹配项。如果想用类似函数映射的思路，也可以封装一个简单函数用apply()，但性能不如前两种方案：

def get_regime(date):
    if date < '2012-01-01':
        return 'before 2012'
    elif '2012-01-01' <= date < '2014-01-01':
        return '2012 - 2014'
    else:
        return 'after 2014'

regime = date_series.apply(get_regime)

内容的提问来源于stack exchange，提问作者dgomzi