本文介绍如何基于字典中定义的天数映射关系，对 dataframe 的日期列进行按行差异化加法运算，生成新的偏移日期列，核心是结合 `map`、`to_timedelta` 和时间算术操作。
在 Pandas 数据处理中，常需根据分类字段（如 'Periode'）查表获取对应的时间增量（如天数），再将其加到基准日期上。本例中，原始 DataFrame 包含 Date（datetime 类型）和 Periode（字符串类别）两列，以及一个映射字典 dict_range = {"YEARS": 20.0, "MONTHS": 3.0} —— 注意此处键名虽含 "YEARS"/"MONTHS"，但值实际表示天数（非年/月单位），因此应统一按 unit='D' 解析为 timedelta。
实现的关键步骤如下：
- 映射字典值：使用 df['Periode'].map(dict_range) 将每行 Periode 值替换为对应浮点数天数（自动对齐索引，未匹配项返回 NaN）；
- 转为时间差：调用 pd.to_timedelta(..., unit='D') 将数值序列转换为 TimedeltaIndex，支持与 datetime 直接运算；
- 执行日期加法：若 Date 列已是 datetime64[ns] 类型，可直接 .add()；否则建议先用 pd.to_datetime() 显式转换以确保类型安全。
✅ 推荐写法（健壮性更强）：
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 datetime 类型
dict_range = {"YEARS": 20.0, "MONTHS": 3.0}
# 生成新列 Range_plus
df['Range_plus'] = df['Date'].add(
pd.to_timedelta(df['Periode'].map(dict_range), unit='D')
)⚠️ 注意事项：
- 若 Periode 中存在字典未覆盖的值（如 'WEEKS'），map 会返回 NaN，导致对应行 Range_plus 也为 NaT —— 可通过 fillna() 或预过滤处理；
- to_timedelta 不支持 float 中的 inf 或 NaN，确保字典值为有限数值；
- 虽然字典键名为 "YEARS"，但本方案严格按“天”计算，如需真正按日历年/月增减（如跨年进位、月末对齐），应改用 pd.DateOffset（例如 df['Date'] + df['Periode'].map({'YEARS': pd.DateOffset(years=1)})），但该方式不支持浮点年份，且逻辑更复杂。
最终结果将准确生成目标列：
Date Periode Range_plus 0 2019-01-03 YEARS 2019-01-23 1 2019-05-05 MONTHS 2019-05-08
此方法简洁高效，适用于任意基于类别映射的标量时间偏移场景，是 Pandas 时间运算中的典型模式。
