Pandas：将 timedelta 列添加到日期时间列（矢量化）

使用Pandas库对日期和时间进行操作是数据分析中常见的任务之一。在处理时间序列数据时，经常需要对日期和时间进行计算和处理。在Pandas中，可以使用timedelta对象来表示时间间隔，而且可以很方便地将timedelta列添加到日期时间列中。

python
import pandas as pd
# 读取销售数据
data = pd.read_csv('sales.csv')

python
# 将日期列转换为日期时间类型
data['purchase_date'] = pd.to_datetime(data['purchase_date'])

python
# 按顾客分组，并计算下一次购买日期
data['next_purchase_date'] = data.groupby('customer')['purchase_date'].shift(-1)

python
# 计算距离上次购买日期的时间间隔
data['time_since_last_purchase'] = data['purchase_date'] - data['purchase_date'].shift(1)

python
# 打印结果
print(data[['customer', 'purchase_date', 'next_purchase_date', 'time_since_last_purchase']])

python
import pandas as pd
# 读取销售数据
data = pd.read_csv('sales.csv')
# 将日期列转换为日期时间类型
data['purchase_date'] = pd.to_datetime(data['purchase_date'])
# 按顾客分组，并计算下一次购买日期
data['next_purchase_date'] = data.groupby('customer')['purchase_date'].shift(-1)
# 计算距离上次购买日期的时间间隔
data['time_since_last_purchase'] = data['purchase_date'] - data['purchase_date'].shift(1)
# 打印结果
print(data[['customer', 'purchase_date', 'next_purchase_date', 'time_since_last_purchase']])

   customer purchase_date next_purchase_date time_since_last_purchase
0         A    2021-01-01         2021-02-10                      NaT
1         A    2021-02-10         2021-03-15                 40 days
2         A    2021-03-15                NaT                 33 days
3         B    2021-02-05         2021-04-20                      NaT
4         B    2021-04-20         2021-06-30                 74 days
5         C    2021-03-10                NaT                      NaT
6         D    2021-01-15                NaT                      NaT
7         D    2021-04-05         2021-05-20                 80 days