如何在Pandas DataFrame中按规则修改datetime类型列的值？

嗨，作为Pandas新手，你已经找对了方向，但其实我们可以用更高效的Pandas向量化操作来实现这个需求，比iterrows()快得多，也更符合Pandas的设计理念。

核心思路拆解 #

根据你的规则：

• 每行依次添加20秒，每3行（索引%3==2时）累计添加1分钟（也就是60秒）
• 对应到每个索引i，偏移的秒数可以简化为公式：(i % 3 + 1) * 20：
  • 索引0 → (0%3+1)*20 = 20秒
  • 索引1 → (1%3+1)*20 = 40秒
  • 索引2 → (2%3+1)*20 = 60秒（1分钟）
  • 索引3 → (3%3+1)*20 = 20秒，以此循环往复

完整代码实现 #

import pandas as pd

# 假设你的原始数据存储在dataframe中
# 第一步：确保date列是datetime类型（如果还不是的话）
dataframe['date'] = pd.to_datetime(dataframe['date'])

# 第二步：计算每个行对应的偏移秒数
offsets = (dataframe.index % 3 + 1) * 20
# 转换为Pandas可识别的时间差类型
delta = pd.to_timedelta(offsets, unit='s')

# 第三步：将偏移量应用到原日期列
dataframe['date'] = dataframe['date'] + delta

验证结果 #

用你提供的示例数据测试：
原始数据：

0 2017-03-10 01:00:00
1 2017-03-10 01:00:00
2 2017-03-10 01:00:00
3 2017-03-10 01:00:00
4 2017-03-10 01:00:00

运行代码后得到的结果完全符合你的预期：

0 2017-03-10 01:00:20
1 2017-03-10 01:00:40
2 2017-03-10 01:01:00
3 2017-03-10 01:00:20
4 2017-03-10 01:00:40

关于你原始代码的改进（不推荐用于大数据集） #

如果你坚持想用iterrows()来实现（这种方法效率较低，尤其是处理大型DataFrame时），可以这样完善你的代码：

df_date = dataframe['date'].to_frame()
# 先确保日期列是datetime类型
df_date['date'] = pd.to_datetime(df_date['date'])

for index, row in df_date.iterrows():
    if index % 3 == 0:
        df_date.loc[index, 'date'] = row['date'] + pd.Timedelta(seconds=20)
    elif index % 3 == 1:
        df_date.loc[index, 'date'] = row['date'] + pd.Timedelta(seconds=40)
    elif index % 3 == 2:
        df_date.loc[index, 'date'] = row['date'] + pd.Timedelta(minutes=1)

# 将修改后的列放回原DataFrame
dataframe['date'] = df_date['date']

但还是强烈推荐第一种向量化的方法，因为Pandas就是为批量操作设计的，循环遍历每行的性能会差很多哦。

内容的提问来源于stack exchange，提问作者marcowitt