本文介绍如何基于字典中定义的天数规则，对 pandas dataframe 的日期列进行按行条件偏移，生成新日期列；核心是结合 `map`、`to_timedelta` 和日期加法操作。
在数据分析中，常需根据分类标签（如 'YEARS'、'MONTHS'）为每行日期动态增加不同天数——注意：此处“YEARS”和“MONTHS”仅为标签名，并非真实年/月单位，实际对应的是字典中定义的浮点天数（如 {"YEARS": 20.0, "MONTHS": 3.0}）。关键在于逐行匹配标签→查表获取天数→转为时间增量→叠加到原日期。
以下为完整实现步骤（假设原始 DataFrame 已加载）：
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']) # 确保为 datetime64 类型
# 偏移字典（键为 Periode 值，值为天数，支持 float）
dict_range = {"YEARS": 20.0, "MONTHS": 3.0}
# 构建新列：先映射天数，再转为 timedelta，最后与日期相加
df['Range_plus'] = df['Date'].add(
pd.to_timedelta(df['Periode'].map(dict_range), unit='D')
)✅ 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：
- 若 Date 列尚未转为 datetime64 类型，务必先用 pd.to_datetime() 转换，否则 .add() 会报错；
- pd.to_timedelta(..., unit='D') 明确指定单位为“天”，避免因浮点数精度或默认单位（纳秒）导致意外结果；
- map() 自动处理未匹配键（返回 NaN），如需容错，可追加 .fillna(0) 或使用 map(dict_range).fillna(0)；
- 此方法完全向量化，性能远优于 apply(lambda x: ...)，适合大规模数据。
该方案简洁、高效且可扩展——只需更新字典即可适配新的周期类型，是 Pandas 时间序列条件运算的经典实践。
