python中需要帮助以减少代码行和周期时间

我有一个DF，其中我在计算填充场中的emi值

account Total   Start Date  End Date    EMI
211829  107000  05/19/17    01/22/19    5350
320563  175000  08/04/17    10/30/18    12500
648336  246000  02/26/17    08/25/19    8482.7586206897
109996  175000  11/23/17    11/27/19    7291.6666666667
121213  317000  09/07/17    04/12/18    45285.7142857143

然后根据日期范围创建新字段，如1月17日、2月17日、3月17日等，并用下面的代码填充它们

jant17 = pd.to_datetime('2017-01-01')
febt17 = pd.to_datetime('2017-02-01')
mart17 = pd.to_datetime('2017-03-01')

jan17 = pd.to_datetime('2017-01-31')
feb17 = pd.to_datetime('2017-02-28')
mar17 = pd.to_datetime('2017-03-31')

df.ix[(df['Start Date'] <= jan17) & (df['End Date'] >= jant17) , 'Jan17'] = df['EMI']

jant17=pd.截止日期时间（'2017-01-01'）
febt17=截止日期时间（2017-02-01）
mart17=截止日期时间（2017-03-01）
2017年1月17日=截止日期时间（2017年1月31日）
feb17=截止日期时间（2017-02-28）
2017年3月17日=截止日期时间（2017年3月31日）
df.ix[（df['Start Date']=17年1月），'Jan17']=df['EMI']

但缺点是，当我必须在2019年或2020年之前进行预测时，它们会变成太多的代码行而无法编写，当有任何更新时，我需要修改太多的代码行。为了减少代码行数，我尝试了另一种使用for循环的方法，但代码开始需要很长时间才能执行

monthend = { 'Jan17' : pd.to_datetime('2017-01-31'),
            'Feb17' : pd.to_datetime('2017-02-28'),
            'Mar17' : pd.to_datetime('2017-03-31')}

monthbeg = { 'Jant17' : pd.to_datetime('2017-01-01'),
            'Febt17' : pd.to_datetime('2017-02-01'),
            'Mart17' : pd.to_datetime('2017-03-01')}

for mend in monthend.values():
    for mbeg in monthbeg.values():
        for coln in colnames:
            df.ix[(df['Start Date'] <= mend) & (df['End Date'] >= mbeg) , coln] = df['EMI']

monthend={'Jan17'：pd.to_datetime（'2017-01-31'），
“Feb17”：pd.截止日期时间（“2017-02-28”），
“2017年3月17日”：pd.to_datetime（'2017-03-31'）}
monthbeg={'Jant17'：pd.to_datetime（'2017-01-01'），
“Febt17”：pd.截止日期时间（“2017-02-01”），
“Mart17”：pd.to_datetime（'2017-03-01'）}
对于monthend.values（）中的mend：
对于monthbeg.values（）中的mbeg：
对于coln中的coln名称：
df.ix[（df['Start Date']=mbeg），coln]=df['EMI']

---

这大大减少了代码行数，但执行时间从3-4分钟增加到1小时以上。有没有更好的方法可以用更少的行数和更少的处理时间来编写此代码

我认为您可以使用

开始

，

结束

日期和

列名

，循环行，并创建原始

df的新列：

dates = pd.DataFrame({'start':pd.date_range('2017-01-01', freq='MS', periods=10),
                      'end':pd.date_range('2017-01-01', freq='M', periods=10)})
dates['names'] = dates.start.dt.strftime('%b%y')
print (dates)
         end      start  names
0 2017-01-31 2017-01-01  Jan17
1 2017-02-28 2017-02-01  Feb17
2 2017-03-31 2017-03-01  Mar17
3 2017-04-30 2017-04-01  Apr17
4 2017-05-31 2017-05-01  May17
5 2017-06-30 2017-06-01  Jun17
6 2017-07-31 2017-07-01  Jul17
7 2017-08-31 2017-08-01  Aug17
8 2017-09-30 2017-09-01  Sep17
9 2017-10-31 2017-10-01  Oct17

#if necessary convert to datetimes
df['Start Date'] = pd.to_datetime(df['Start Date'])
df['End Date'] = pd.to_datetime(df['End Date'])

def f(x):
    df.loc[(df['Start Date'] <= x.start) & (df['End Date'] >= x.end) , x.names] = df['EMI']
dates.apply(f, axis=1)

谢谢你，工作做得很好。你是个天才。
print (df)
   account   Total Start Date   End Date           EMI  Jan17  Feb17  \
0   211829  107000 2017-05-19 2019-01-22   5350.000000    NaN    NaN   
1   320563  175000 2017-08-04 2018-10-30  12500.000000    NaN    NaN   
2   648336  246000 2017-02-26 2019-08-25   8482.758621    NaN    NaN   
3   109996  175000 2017-11-23 2019-11-27   7291.666667    NaN    NaN   
4   121213  317000 2017-09-07 2018-04-12  45285.714286    NaN    NaN   

         Mar17        Apr17        May17        Jun17        Jul17  \
0          NaN          NaN          NaN  5350.000000  5350.000000   
1          NaN          NaN          NaN          NaN          NaN   
2  8482.758621  8482.758621  8482.758621  8482.758621  8482.758621   
3          NaN          NaN          NaN          NaN          NaN   
4          NaN          NaN          NaN          NaN          NaN   

         Aug17         Sep17         Oct17  
0  5350.000000   5350.000000   5350.000000  
1          NaN  12500.000000  12500.000000  
2  8482.758621   8482.758621   8482.758621  
3          NaN           NaN           NaN  
4          NaN           NaN  45285.714286