如何无需循环将Pandas的datetime列转换为分钟数整数

当然有！Pandas 本身就为批量数据处理设计了矢量化操作，完全不需要写循环就能快速完成这个需求——这也是它比原生Python循环高效得多的核心原因。

具体操作步骤： #

1. 转换时长格式为timedelta类型：你的datetime列是X days HH:MM:SS的字符串格式，首先需要把它转换成 Pandas 专门用于表示时长的timedelta64类型（如果还没转的话）。
2. 批量计算总分钟数：利用timedelta类型的内置方法，一次性完成所有行的计算。

完整代码示例： #

import pandas as pd

# 构建你的数据集
df = pd.DataFrame({
    'user_id': [1, 2, 5, 7, 1, 2],
    'datetime': [
        '13 days 21:50:00',
        '0 days 02:05:00',
        '10 days 00:10:00',
        '2 days 01:20:00',
        '3 days 11:50:00',
        '1 days 02:30:00'
    ]
})

# 将字符串格式的时长转为timedelta类型
df['datetime'] = pd.to_timedelta(df['datetime'])

# 矢量化计算总分钟数（无循环）
df['minutes'] = (df['datetime'].dt.total_seconds() // 60).astype(int)

# 输出结果
print(df)

结果说明： #

运行后会得到符合预期的输出（注：你给出的示例中10 days 00:10:00对应的预期14402应该是笔误，正确计算结果为14410，即10天×24小时×60分钟 + 10分钟）：

user_id        datetime  minutes
0        1 13 days 21:50:00    20030
1        2  0 days 02:05:00      125
2        5 10 days 00:10:00    14410
3        7  2 days 01:20:00     2960
4        1  3 days 11:50:00     5030
5        2  1 days 02:30:00     1590

为什么这个方法更好？ #

这个方案全程使用 Pandas 的矢量化API，底层基于C语言实现计算，比手动写Python循环效率高几十甚至上百倍，尤其是当数据集包含上万行甚至更多数据时，差距会非常明显。

如果你的datetime列已经是timedelta类型，直接跳过转换步骤，执行计算即可。

内容的提问来源于stack exchange，提问作者ash