Python pandas实现连续数字序列的日期重编码（支持闰年处理）

核心逻辑说明 #

映射规则的本质拆解为：

• 固定基准日期：2020-12-31（对应整数1的映射值，完全匹配示例规则）
• 任意整数n对应的日期 = 基准日期 向前推算 n-1 天
  该方式完全依托pandas内置的标准日历引擎，自动处理闰年、大小月、跨年度的所有日期边界问题，不需要手动维护成百上千条映射字典，哪怕需要处理1000+甚至上万的连续日期都能高效运行。

完整可运行实现代码 #

1. 导入依赖 #

import pandas as pd

2. 构造待转换数据 #

# 构造和你给出的示例一致的原始序列，含空值场景
raw_values = [1,1,1,1, 2,2,2,3,3,3,3,3,4,4,5,6,6,6, None, 100,100,100]
# 转为pandas Series，自动识别空值
s = pd.Series(raw_values)

如果你的数据存储在DataFrame中，直接引用对应列即可，不需要单独构造序列。

3. 核心转换逻辑 #

# 定义基准日期：整数1对应的31.12.2020
base_date = pd.to_datetime("2020-12-31")
# 执行转换：空值会自动保留为空日期，不会触发计算错误
converted_dates = base_date - pd.to_timedelta(s - 1, unit="D")

4. 格式化为目标日期格式 #

如果需要输出为示例中的dd.mm.yyyy字符串格式，追加一行代码即可：

converted_dates_str = converted_dates.dt.strftime("%d.%m.%Y")

结果验证 #

• 整数1的转换结果：31.12.2020
• 整数2的转换结果：30.12.2020
• 整数3的转换结果：29.12.2020
  完全匹配你给出的映射示例。

实用适配说明 #

• 自动兼容闰年逻辑：推算到2020年2月时会自动识别2月29日，推算到平年2月时自动跳过29日，不需要额外编写判断代码。
• 灵活调整基准日期：如果后续业务变更基准日期，仅需修改base_date的取值，其余逻辑无需改动。
• 空值兼容：原始序列中的空值会自动保留为空，不会抛出运行错误。
• 大数量级适配：转换1000+连续日期的运行效率和小样本完全一致，不需要额外优化。

内容的提问来源于stack exchange，提问作者sylvia