本文介绍如何利用 pandas 的 `map`、`to_timedelta` 和时间运算功能，基于分类字段（如 "years"/"months"）查表获取对应天数，并安全、高效地为 datetime 列增加偏移，生成新日期列。
在数据分析中，常需根据类别标签动态调整日期——例如，不同业务周期（“YEARS”代表20天，“MONTHS”代表3天）需向基准日期添加不同天数。Pandas 提供了简洁而强大的链式操作来实现这一需求。
核心思路是：将分类列（如 'Periode'）通过字典映射为浮点数值 → 转换为 timedelta → 与原始 datetime 列相加。关键在于确保类型兼容性：pd.to_timedelta(..., unit='D') 明确将数值解释为“天”，避免单位歧义；若原始 'Date' 列已是 datetime64[ns] 类型，则无需重复转换，直接 .add() 即可。
以下是完整示例代码：
import pandas as pd
# 构造示例数据
df = pd.DataFrame({
'Date': ['2019-01-03', '2019-05-05'],
'Periode': ['YEARS', 'MONTHS']
})
df['Date'] = pd.to_datetime(df['Date']) # 确保为 datetime 类型
# 偏移映射字典（单位：天）
dict_range = {"YEARS": 20.0, "MONTHS": 3.0}
# 生成新列：日期 + 动态天数偏移
df['Range_plus'] = df['Date'].add(
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：
- 若 'Periode' 中存在字典未覆盖的键（如 'WEEKS' 未定义），map 将返回 NaN，进而导致 Range_plus 对应行为 NaT（Not a Time）；建议预先校验或使用 map(..., na_action='ignore') + 后续填充；
- unit='D' 必须显式指定，否则 to_timedelta 可能误将浮点数解析为纳秒（默认行为），造成毫秒级误差；
- 所有运算均保持向量化，性能优异，适用于百万级数据；
- 如需保留日期格式为字符串（如 '%Y-%m-%d'），可在最后追加 .dt.strftime('%Y-%m-%d')，但会丢失 datetime 属性，慎用于后续时间计算。
该方法兼具可读性、健壮性与扩展性，是 Pandas 时间工程中的典型实践模式。
