我有一个数据帧，其中包含使用时间的客户票证。
ticket_end数据not正确，我必须使用ticket_start正确的列，并且我有客户ticket_name来描述票证的长度。
我用了relativedelta(months=+numberofmonths)它正在工作，但我有 300k 行，时间超过 2 小时，所以我开始寻找其他选项，但都一样，然后我再次尝试了这段代码，只花了 5 分钟！我没有再次更改，但我不知道发生了什么，但我不得不再次启动内核，现在又需要 2 个多小时。
我的问题是我不知道为什么会发生这种情况？ 以及我们可以做些什么来加快日期时间列的处理速度？
这是我的代码：
for i in tqdm(range(len(customer))):
if customer.ticket_name[i] == '3 month free':
customer.ticket_end[i] = customer.ticket_start[i] + relativedelta(months=+1)
elif customer.product_name[i] == '4 month free':
customer.ticket_end[i] = customer.ticket_start[i] + relativedelta(months=+4)
elif customer.product_name[i] == '6 month free':
customer.ticket_end[i] = customer.ticket_start[i] + relativedelta(months=+6)
elif customer.product_name[i] == '9 month free':
customer.ticket_end[i] = customer.ticket_start[i] + relativedelta(months=+9)
else:
customer.ticket_end[i] = customer.ticket_start[i] + relativedelta(months=+1)
在代码之前，日期列是字符串和日期和时间'2015-01-28 17:59:50'
我不需要，所以我用这个删除了时间：
customer['ticket_start']= pd.to_datetime(customer['ticket_start'],format='%Y-%m-%d %H:%M:%S')
customer['ticket_start'] = map(lambda x: x.date(), customer['ticket_start'])
再次pd.to_datetime()：
customer['ticket_start']= pd.to_datetime(customer['ticket_start'])
可能是我从csv和数据库中获取数据的关键信息mysql.connector但现在两者都是一个 2 小时的过程。
提前谢谢。
您可以使用删除时间floor，然后为months创建新列，最后按DateOffset添加它们：
rng = pd.date_range('2017-01-03 15:14:01', periods=30, freq='300H')
customer = pd.DataFrame({'ticket_start': rng, 'product_name': ['3 month free'] * 5 +
['4 month free'] * 5 +
['6 month free'] * 10 +
['9 month free'] * 5 +
['2 month free'] * 5} )
#print (customer)
customer['ticket_start']=(pd.to_datetime(customer['ticket_start'],format='%Y-%m-%d %H:%M:%S')
.dt.floor('d'))
d = {'3 month free' : 1, '4 month free': 4, '6 month free':6, '9 month free':9}
customer['m'] = customer['product_name'].map(d).fillna(1).astype(int)
customer['ticket_end'] = customer.apply(lambda x: x['ticket_start'] +
pd.offsets.DateOffset(months=x['m']), axis=1)
print (customer)
product_name ticket_start m ticket_end
0 3 month free 2017-01-03 1 2017-02-03
1 3 month free 2017-01-16 1 2017-02-16
2 3 month free 2017-01-28 1 2017-02-28
3 3 month free 2017-02-10 1 2017-03-10
4 3 month free 2017-02-22 1 2017-03-22
5 4 month free 2017-03-07 4 2017-07-07
6 4 month free 2017-03-19 4 2017-07-19
7 4 month free 2017-04-01 4 2017-08-01
8 4 month free 2017-04-13 4 2017-08-13
9 4 month free 2017-04-26 4 2017-08-26
10 6 month free 2017-05-08 6 2017-11-08
11 6 month free 2017-05-21 6 2017-11-21
12 6 month free 2017-06-02 6 2017-12-02
13 6 month free 2017-06-15 6 2017-12-15
14 6 month free 2017-06-27 6 2017-12-27
15 6 month free 2017-07-10 6 2018-01-10
16 6 month free 2017-07-22 6 2018-01-22
17 6 month free 2017-08-04 6 2018-02-04
18 6 month free 2017-08-16 6 2018-02-16
19 6 month free 2017-08-29 6 2018-02-28
20 9 month free 2017-09-10 9 2018-06-10
21 9 month free 2017-09-23 9 2018-06-23
22 9 month free 2017-10-05 9 2018-07-05
23 9 month free 2017-10-18 9 2018-07-18
24 9 month free 2017-10-30 9 2018-07-30
25 2 month free 2017-11-12 1 2017-12-12
26 2 month free 2017-11-24 1 2017-12-24
27 2 month free 2017-12-07 1 2018-01-07
28 2 month free 2017-12-19 1 2018-01-19
29 2 month free 2018-01-01 1 2018-02-01