这与这里的问题非常相似，但是我想知道熊猫中是否有一种干净的方法可以使工作日知道TimedeltaIndex？最终，我试图获取DatetimeIndex和Timestamp之间的工作日数（无假期日历）。根据所引用的问题，类似这样的作品
import pandas as pd import numpy as np drg = pd.date_range('2015-07-31', '2015-08-05', freq='B') A = [d.date() for d in drg] B = pd.Timestamp('2015-08-05', 'B').date() np.busday_count(A, B)
这使
array([3, 2, 1, 0], dtype=int64)
但这似乎有点糊涂。如果我尝试类似的东西
drg - pd.Timestamp('2015-08-05', 'B')
我得到一个TimedeltaIndex，但是工作日频率降低了
TimedeltaIndex(['-5 days', '-2 days', '-1 days', '0 days'], dtype='timedelta64[ns]', freq=None)
只是想知道是否有更优雅的方法可以解决此问题。
TimedeltaIndexes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。
TimedeltaIndex
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.datetimes和熊猫Timestamps，NumPy的datetime64秒。
datetime.dates
datetime.datetime
Timestamps
datetime64
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。
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：
datetime64[D]
datetime.date
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：
len(drg)
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.dates进行额外的转换效率更高。
np.busday_count``datetime64[D]
