应使用 np.busday_count 而非 pd.bdate_range 计算工作日，因其更快、更稳、边界行为明确（左闭右开），且支持自定义节假日和 weekmask；需注意输入格式、空值处理及节假日数组 dtype。
用 pd.bdate_range 手动计算容易出错，别这么干
直接用 pd.bdate_range 求两个日期间工作日天数，看似直观，但实际会因时区、freq 解析逻辑和边界处理（是否包含首尾）频繁出错。比如 pd.bdate_range('2024-01-01', '2024-01-01') 返回长度为 1，而多数业务场景里同一天应算 0 工作日。
更可靠的方式是用 pd.bdate_offset 的逆向思维：把起始日期不断加工作日偏移，直到逼近结束日期——但这太慢。真正该用的是内置的矢量化方法。
np.busday_count 是最快最稳的选择
np.busday_count 是 NumPy 提供的底层 C 实现，专为批量计算工作日设计，比 Pandas 循环或 apply 快 10 倍以上，且默认行为清晰：左闭右开（包含起始日，不包含结束日），正好匹配大多数排班、SLA 计算需求。
使用前注意三点：
立即学习“Python免费学习笔记（深入）”；
-
np.busday_count要求输入是numpy.datetime64[D]，不是pd.Timestamp或字符串，需先用.dt.date或.dt.floor('D')归一化 - 两列必须长度一致，且不能含
NaT；有空值得提前用.fillna()或布尔索引过滤 - 中国节假日需传入
weekmask='1111100'（周一至周五）并配合holidays参数，否则只按标准周末算
示例：
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
import numpy as np
import pandas as pd
<p>df = pd.DataFrame({
'start': ['2024-01-01', '2024-01-29'],
'end': ['2024-01-05', '2024-02-02']
})
df['start'] = pd.to_datetime(df['start'])
df['end'] = pd.to_datetime(df['end'])</p><h1>安全转换 + 计算（自动忽略 NaT）</h1><p>mask = df['start'].notna() & df['end'].notna()
df.loc[mask, 'biz_days'] = np.busday_count(
df.loc[mask, 'start'].dt.date,
df.loc[mask, 'end'].dt.date
)想支持中国节假日？绕不开 holidays 库和自定义 weekmask
Pandas 本身不内置节假日规则，np.busday_count 的 holidays 参数只接受 array-like 的日期列表（numpy.datetime64[D] 格式），不能直接传 holidays.CN() 对象。
正确做法分三步：
- 用
holidays.CN(years=[2024,2025])生成字典，再转成np.array(list(holidays_dict.keys()), dtype='datetime64[D]') -
weekmask必须显式设为'1111100'（不能依赖默认值，某些 NumPy 版本默认是'1111111'） - 注意节假日数组必须和输入日期同为
datetime64[D]，混用pd.Timestamp会静默失败，返回全 0
小技巧：如果只查近 2 年，直接硬编码节假日数组比动态调 holidays 更快，也更容易排查日期格式问题。
别在 apply 里调 pd.offsets.BusinessDay
有人写 df.apply(lambda r: len(pd.bdate_range(r['start'], r['end'])), axis=1)，这在千行数据上就明显卡顿；换成 pd.offsets.BusinessDay 手动循环加减，性能更差，还容易因时区导致结果漂移。
根本问题是：这些接口设计目标是单点日期运算，不是向量化批量计算。只要数据量超过几百行，CPU 时间基本耗在 Python 层循环和对象创建上，而不是真正的日期逻辑。
真正要调试的，其实是空值对齐方式和节假日数组的 dtype —— 这两点错了，结果可能全错，但错误不报异常，只会默默返回 0 或负数。
