日期时间索引和时间戳之间的熊猫工作日数

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Python

datetime.date

对象：

import pandas as pdimport numpy as npdrg = 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 loopIn [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。