本文介绍如何基于字典中定义的天数规则，为 pandas dataframe 中的日期列批量添加对应天数，生成新的日期列，适用于按类别（如 years、months）应用不同时间偏移的场景。
在数据处理中，常需根据分类标签（如 'YEARS'、'MONTHS'）对日期执行差异化的时间偏移。例如，'YEARS' 对应加 20 天，'MONTHS' 对应加 3 天——这类需求无法直接用固定 pd.DateOffset 实现，但可通过字典映射 + pd.to_timedelta 高效完成。
核心思路是：
- 利用 Series.map() 将 Periode 列的字符串值映射为字典中的浮点数（如 "YEARS" → 20.0）；
- 使用 pd.to_timedelta(..., unit='D') 将数值转为时间增量（以天为单位）；
- 直接与 Date 列相加（Pandas 支持 datetime64 与 timedelta64 的向量化加法）。
✅ 前提条件：确保 Date 列为 datetime64[ns] 类型。若原始为字符串，需先转换：
df['Date'] = pd.to_datetime(df['Date'])
✅ 完整代码示例：
import pandas as pd
# 示例数据
df = pd.DataFrame({
'Date': ['2019-01-03', '2019-05-05'],
'Periode': ['YEARS', 'MONTHS']
})
df['Date'] = pd.to_datetime(df['Date'])
# 映射字典（键为 Periode 值，值为偏移天数）
dict_range = {"YEARS": 20.0, "MONTHS": 3.0}
# 生成新列 Range_plus
df['Range_plus'] = df['Date'] + pd.to_timedelta(
df['Periode'].map(dict_range),
unit='D'
)
print(df)输出结果：
Date Periode Range_plus 0 2019-01-03 YEARS 2019-01-23 1 2019-05-05 MONTHS 2019-05-08
⚠️ 注意事项：
- map() 对未匹配的 Periode 值会返回 NaN，建议提前校验字典键覆盖所有可能取值，或使用 map().fillna(0) 设默认偏移；
- unit='D' 明确指定单位为“天”，避免因浮点精度导致意外（如 20.0 被误读为纳秒）；
- 若需保留日期格式（无时分秒），可在最后链式调用 .dt.date，但会丢失 datetime64 类型优势，一般推荐保持 datetime64 类型以支持后续时间运算。
该方法简洁、向量化、无需循环，是 Pandas 时间序列处理中的典型高效实践。
