如何在Pandas中对扩展datetime类的函数使用apply方法？

这个报错的核心原因很明确：你用pd.to_datetime()生成的是Pandas Timestamp对象，而不是你从datetime_modulo导入的扩展版datetime类——这俩是完全不同的类型，自然没法用你扩展的%运算符。

解决方案：转换为自定义datetime对象后再运算 #

你只需要在apply的逻辑里，先把Timestamp转换成自定义扩展的datetime对象，再执行取模操作就行。具体修改如下：

# 导入时用别名避免和标准库datetime冲突（可选但推荐）
from datetime_modulo import datetime as dt_mod
from datetime import timedelta
import pandas as pd

# 假设你的DataFrame已经存在
df['dates'] = pd.to_datetime(df.index.values)

# 关键修改：先把Timestamp转成自定义datetime对象，再执行取模
df['datetime_mod'] = df['dates'].apply(
    lambda x: dt_mod.fromtimestamp(x.timestamp()) % timedelta(minutes=15)
)

# 可选：如果需要把结果转换成Pandas原生Timedelta类型（方便后续数据操作）
df['datetime_mod'] = pd.to_timedelta(df['datetime_mod'])

为什么这样可行？ #

• x.timestamp()把Pandas Timestamp转换成Unix时间戳（浮点数），再通过dt_mod.fromtimestamp()用你的扩展类生成支持取模的datetime对象，完美适配你定义的%运算逻辑。
• 你也可以用更直接的转换方式：x.to_pydatetime()能直接把Timestamp转成标准Python datetime对象，再用dt_mod(x.year, x.month, x.day, x.hour, x.minute, x.second)构造自定义对象，不过fromtimestamp写法更简洁。

批量优化建议 #

如果你的DataFrame数据量很大，单条apply的效率可能不够理想。可以先批量转换为自定义datetime对象数组，再统一执行取模：

# 批量转换为自定义datetime对象
custom_dates = df['dates'].apply(lambda x: dt_mod.fromtimestamp(x.timestamp()))
# 批量执行取模运算
df['datetime_mod'] = custom_dates % timedelta(minutes=15)

这样代码逻辑更清晰，也能小幅提升处理大数据集时的效率。

内容的提问来源于stack exchange，提问作者jtlz2