本文详解如何在 Pandas 中安全、准确地计算两列时间戳（如“打开时间”和“关闭时间”）之间的时长差，避免 TypeError: cannot subtract DateTimeArray from ndarray 等类型不匹配错误，并生成以小时为单位的新列。

本文详解如何在 pandas 中安全、准确地计算两列时间戳（如“打开时间”和“关闭时间”）之间的时长差，避免 `typeerror: cannot subtract datetimearray from ndarray` 等类型不匹配错误，并生成以小时为单位的新列。

在处理时间序列数据时，一个常见需求是计算事件持续时间——例如工单从“打开”到“关闭”的耗时。但若未对原始字符串列进行统一的 datetime 类型转换，直接执行时间运算（如减法）极易触发类型错误，典型报错如：
TypeError: cannot subtract DateTimeArray from ndarray

该错误的根本原因在于：pd.to_datetime(...).dt.date 返回的是 Python 原生 date 对象组成的 DatetimeIndex 或 Series，而 pd.DateOffset 运算后与原始 datetime64[ns] 列混合运算时，Pandas 无法自动对齐数据类型，导致底层数组（ndarray）与时间序列（DateTimeArray）不兼容。

✅ 正确做法是：确保所有参与运算的时间列均为 datetime64[ns] 类型，并直接使用 Pandas 原生时间差运算。以下是推荐流程：

1. 统一转换时间列为 datetime 类型（推荐显式指定 errors='coerce' 处理异常值）：

   df["Date/Time Opened"] = pd.to_datetime(df["Date/Time Opened"], errors='coerce')
   df["Date/Time Closed"] = pd.to_datetime(df["Date/Time Closed"], errors='coerce')

2. 直接相减并转换为小时（结果为 timedelta64[ns]，支持 .dt 访问器）：

   df["Duration (hours)"] = (
    df["Date/Time Closed"] - df["Date/Time Opened"]
   ).dt.total_seconds() / 3600

⚠️ 注意事项：

• 若存在空值（NaT），上述运算会自动返回 NaN，无需额外处理；
• 避免使用 .dt.date 提取日期部分后再加 pd.DateOffset——这会丢失时间精度并引发类型混杂；
• 不要混用 np.where 包裹时间差逻辑（如原代码所示），除非有明确的条件分支需求；简单时长计算应直截了当；
• 如需保留天/小时/分钟结构化输出，可改用 .dt.days 和 .dt.seconds 分别提取，但 .total_seconds() 更适合连续小时数（含小数）。

? 总结：Pandas 的时间差运算是类型敏感的。始终先 pd.to_datetime() 强制转换，再利用 .dt.total_seconds() 等向量化方法计算，即可高效、鲁棒地生成持续时间指标。