如何用Pandas高效将起止日期数据转换为时间序列？

当然可以用Pandas高效实现这个需求，完全不需要低效的逐行循环！下面我会一步步拆解实现过程，顺便说说这个方法的名称。

问题背景 #

给定如下输入的Pandas DataFrame：

import pandas as pd

df = pd.DataFrame({
    'start_date': ['2018-05-17', '2018-05-22', '2018-05-14'],
    'end_date': ['2018-05-20', '2018-05-27', '2018-05-21'],
    'value': [4, 12, 8]
})

我们需要把每行的value按对应日期区间的天数（包含首尾日期）均分，生成按日期展开的日度时间序列，最终得到这样的结果：

date  value
0  2018-05-14      1
1  2018-05-15      1
2  2018-05-16      1
3  2018-05-17      2
4  2018-05-18      2
5  2018-05-19      2
6  2018-05-20      2
7  2018-05-21      1
8  2018-05-22      2
9  2018-05-23      2
10 2018-05-24      2
11 2018-05-25      2
12 2018-05-26      2
13 2018-05-27      2

高效实现步骤（无逐行循环） #

核心思路是先为每个日期区间生成完整的日序列，再将均分后的value与这些日期一一绑定，全程用Pandas的内置矢量化操作，避免Python级别的循环：

1. 转换日期列类型 #

首先把start_date和end_date转成datetime格式，这是时间序列操作的基础：

df['start_date'] = pd.to_datetime(df['start_date'])
df['end_date'] = pd.to_datetime(df['end_date'])

2. 计算区间天数与每日均分value #

计算每个区间的有效天数（要+1，因为首尾日期都算在内），再算出每天对应的value：

df['days'] = (df['end_date'] - df['start_date']).dt.days + 1
df['daily_value'] = df['value'] / df['days']

3. 生成日期序列并展开 #

用pd.date_range为每行生成完整的日期列表，再用explode把列表拆成单独的行：

df['date'] = df.apply(lambda x: pd.date_range(x['start_date'], x['end_date']), axis=1)
result = df.explode('date')[['date', 'daily_value']].rename(columns={'daily_value': 'value'})

4. （可选）重置索引 #

如果需要和示例一致的连续索引，重置一下即可：

result = result.reset_index(drop=True)

方法对应的名称 #

这种操作一般被称为时间序列的区间拆分与值摊薄（Interval Splitting and Value Amortization for Time Series），本质是将区间粒度的数据向下采样到日度，同时对指标值进行均分处理，属于Pandas时间序列处理中典型的「数据粒度转换」场景。

为什么这个方法高效？ #

这里用到的pd.date_range、explode以及生成日期序列的apply（这里的apply封装了矢量化的日期生成逻辑）都是Pandas的内置优化操作，底层基于C语言实现，完全避免了Python循环的性能损耗，处理大规模数据时优势会非常明显。

内容的提问来源于stack exchange，提问作者Bing