timedeltaIndex
es表示固定的时间跨度。可以将它们添加到Pandas时间戳中,以固定数量增加它们。他们的行为从不依赖于时间戳是否是工作日。timedeltaIndex本身从不知道工作日。
由于最终目标是计算DatetimeIndex和Timestamp之间的天数,因此我会朝着另一个方向而不是转换为timedeltaIndex。
不幸的是,日期计算相当复杂,和一些数据结构如雨后春笋般涌现对付他们- Python中datetime.dates
,datetime.datetime
s和熊猫Timestamps
,NumPy的datetime64
秒。
他们每个人都有自己的长处,但没有一个人对所有目的都有好处。要利用它们的优势,有时需要在这些类型之间进行转换。
要使用它,np.busday_count
您需要将DatetimeIndex和Timestamp转换为某种类型的np.busday_count
理解。您所称的“ kludginess”是转换类型所需的代码。假设我们要使用,这是没有办法的np.busday_count
-我知道没有比该工具更好的工具了np.busday_count
。
因此,尽管我认为没有比您建议的方法更简洁的工作日计数方法了,但还有一种更高效的方法:转换为datetime64[D]
,而不是Pythondatetime.date
对象:
import pandas as pd
import numpy as np
drg = pd.date_range('2000-07-31', '2015-08-05', freq='B')
timestamp = pd.Timestamp('2015-08-05', 'B')
def using_astype(drg, timestamp):
A = drg.values.astype('<M8[D]')
B = timestamp.asm8.astype('<M8[D]')
return np.busday_count(A, B)
def using_datetimes(drg, timestamp):
A = [d.date() for d in drg]
B = pd.Timestamp('2015-08-05', 'B').date()
return np.busday_count(A, B)
对于上面的示例(len(drg)
接近4000),这快100倍以上:
In [88]: %timeit using_astype(drg, timestamp)
10000 loops, best of 3: 95.4 µs per loop
In [89]: %timeit using_datetimes(drg, timestamp)
100 loops, best of 3: 10.3 ms per loop
np.busday_count``datetime64[D]
无论如何,都将其输入转换为s,因此避免与datetime.date
s进行额外的转换效率更高。