Python 如何在布尔操作比较datetime对象属性的datetime的numpy数组上对布尔操作进行矢量化？

在对要比较datetime对象属性的datetime对象数组执行布尔操作时，是否有方法使用numpy的矢量化功能

我天真的第一次尝试是：

import datetime as dtm
import numpy as np
dt = np.array([dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2014,1,6,12,2,1), dtm.datetime(2014,1,5,12,2,1), dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2013,1,4,13,3,1), dtm.datetime(2013,1,5,22,2,1)])

bool = (dt.year == 2014)

这给了我一个错误：

AttributeError: 'numpy.ndarray' object has no attribute 'year'

回想起来，这是显而易见的

我不认为我第二次天真的尝试是可以矢量化的，但我认为这会完成工作：

bool = np.array([dts.year == 2014 for dts in dt])

但是，我得到了一个错误：

SyntaxError: invalid syntax

我不明白我在这句话中做错了什么

我更喜欢矢量化的解决方案，我可以使用for循环来实现这一点，但我认为我至少应该能够在一行中实现这一点，类似于我的第二次尝试

是否可以将此语句矢量化？如果没有，我在第二次尝试中做错了什么？谢谢。

您可以使用：

或布尔作为NumPy数组：

>>> (ser.dt.year==2014).values
array([ True,  True,  True,  True,  True, False, False], dtype=bool)

---

试试看。你可能需要做一些算术来计算年份。或者，您可以使用带有Unix时间戳整数的数组。

或者，正如您所说的，

矢量化

import datetime as dtm
import numpy as np
dt = np.array([dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2014,1,6,12,2,1), dtm.datetime(2014,1,5,12,2,1), dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2013,1,4,13,3,1), dtm.datetime(2013,1,5,22,2,1)])

is_2014 = np.vectorize(lambda d: d.year == 2014)

bool_ = is_2014(dt)

请注意，
np.vectorize
不一定比纯Python循环提供更好的性能，并且主要用作语法糖。
无效语法可能是因为您需要括号，因此您有一个布尔对象来生成列表。肯定还有其他错误，我刚试过，我得到了同样的错误。@Ilja好的，当我第一次测试你的评论时，我使用dt14=[（dts==2014）for dts in dt]测试了它，这正是我试图达到的目的。我忽略了第二个[]，因此dt14=[[（dts==2014）对于dt]]中的dts有效。非常感谢。嗯，我的意思是你的第一次尝试：）很好，你找到了一个解决方案。我假设numpy必须能够更有效地使用datetime64，否则它就不会被开发出来。我使用datetime模块处理了很多代码，所以我想知道切换到使用datetime64有什么好处。它的效率是否显著提高？还有其他优势吗？我注意到前面提到的datetime64，但从未研究过它的优点。它可能确实有点依赖于手头的问题（比较例如和），但我认为对于您的问题，它应该更快（如果阵列足够大）。缺点是界面不如datetime好（没有
.year
等方法）。我刚刚意识到我忽略了询问pandas是否对其操作进行了矢量化。过去我对它做过一些尝试，但我对python还是新手，决定等到我对已经拥有的工具感到更舒服时再做。但是如果pandas矢量化操作，也许我应该开始学习更多关于它的知识，因为我对其他一些工具比较熟悉。从numpy文档中的矢量化：矢量化功能主要是为了方便，而不是为了性能。该实现本质上是一个for循环。因此，这不是一个有效的优化，矢量化通常是一个用例。Butler注意，无论是问题还是答案都与性能无关。当然，这是一篇老文章，有更好的方法来解决这个问题。我是在搜索了一些关于“布尔运算矢量化”的内容后来到这里的，这是对性能的充分需求，考虑到你的文章在谷歌的搜索结果中排名靠前，对我来说是误导性的，因为它并不是真正的文档矢量化。我不认为为其他人澄清这一点是不合理的，因为他们可能最终以相同或相似的方式从谷歌搜索中获得。听起来很公平，似乎许多人期望基于函数名的
np.vectorize
。我编辑了答案，以澄清性能方面的问题。
import datetime as dtm
import numpy as np
dt = np.array([dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2014,1,6,12,2,1), dtm.datetime(2014,1,5,12,2,1), dtm.datetime(2014,1,4,12,2,1), dtm.datetime(2013,1,4,13,3,1), dtm.datetime(2013,1,5,22,2,1)])

is_2014 = np.vectorize(lambda d: d.year == 2014)

bool_ = is_2014(dt)