Try:
df['downum'] = df['date'].apply(downu)
并将 downu 更改为：
def downu(dtime):
d = dtime.day # use dtime.day rather than dtime.dt.day
x = np.ceil(d/7)
return int(x) # cast to int since d/7 is float even after np.ceil()
df.apply() 适用于整个 df，即依次（按列）所有列。每个处理列Series的索引仍然是DataFrame索引。因此，列标签“日期”不能用作正在处理的中间系列的索引。您必须在“日期”系列上使用 apply() ，除非您的 downu() 函数可以接受所有列的值并忽略不相关的列。
Edit:
使用添加替代解决方案apply(... ,axis=1) and list(map(...))
这里有进一步的解决方案，其中一些我认为是OP最初尝试的目标编码方式。我还将讨论它们在大型数据集的系统性能（执行时间）以及程序可读性（清晰度）方面的优缺点。
替代解决方案 1：
%%timeit
df['downum'] = df.apply(lambda x: downu(x['date']), axis=1)
988 µs ± 8.26 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
替代解决方案 2：
%%timeit
df['downum'] = df.apply(lambda x: downu(x.date), axis=1)
1.01 ms ± 13.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
替代解决方案 3：
%%timeit
df['downum'] = list(map(downu, df['date']))
244 µs ± 3.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
原解决方案：
%%timeit
df['downum'] = df['date'].apply(downu)
810 µs ± 484 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
替代解决方案 1 和 2 应该是 OP 最初尝试的目标编码格式。唯一的区别是axis=1添加以使它们可行。现在，与axis=1添加到DataFrame.apply()功能，downu(x['date'] and downu(x.date)可以在 lambda 函数中使用。有效地，axis=1改变行为DataFrame.apply()函数允许使用列索引名称。通过认为 apply() 内部的函数是通过 Series 对象按行传递，可以更好地理解这一点。 Series 对象具有原始 DataFrame 列名称/索引，现在成为 Series 索引。因此，您可以按照与访问 Series 元素相同的方式来访问这些元素，方法是按照 series_obj['index'] 等格式进行编码。
解决方案比较：
比较原始解决方案的执行时间（使用pandas.Series.apply()）与 2 个替代解决方案使用pandas.DataFrame.apply(... ,axis=1)，原来的解决方案还是快了一点。在程序可读性方面，原始解决方案的工作原理是df['date']pandas 系列被认为简单且更好。
考虑到系统性能，替代方案3使用list(map(...)) is 速度提高 3 倍 ~ 4 倍比所有其他解决方案。请注意，此性能比较结果为DataFrame.apply(..., axis=1) vs list(map(..))是通用的而不是特定于这个问题的。你可以参考这个answer https://stackoverflow.com/a/46923192/15070697帖子的如何将函数应用于 Pandas 数据框的两列 https://stackoverflow.com/q/13331698/15070697以便对该主题进行更深入的讨论。同一篇文章的一些其他答案对于更好地理解 apply() 函数也非常有用。
综上所述，如果数据集不大且系统性能不是主要考虑因素，请使用原始解决方案pandas.Series.apply()有利于程序的可读性和清晰度。否则，出于系统性能考虑，使用list(map(...))远远优于pandas.DataFrame.apply(... ,axis=1)方法。
