使用merge_asof对齐df['b']和列表（作为Series），然后计算差值：

# ensure datetime
df['b'] = pd.to_datetime(df['b'])

# craft Series for merging (could be combined with line below)
s = pd.Series(l, name='l')

# merge and fillna with minimum date
ref = pd.merge_asof(df['b'], s, left_on='b', right_on='l')['l'].fillna(s.min())

# compute the delta as days
df['delta'] =(df['b']-ref).dt.days

输出：

a                   b  delta
0  7 2019-05-01 00:00:01     -1
1  6 2019-05-02 00:15:01      0
2  1 2019-05-06 00:10:01      4
3  3 2019-05-09 01:00:01      7
4  8 2019-05-09 04:20:01      7
5  9 2019-05-12 01:10:01      2
6  4 2019-05-16 03:30:01      6

如果你的b列有datetime对象，这里有一行的解决方案。否则，将其转换为datetime对象。

df['delta'] = df.apply(lambda x: sorted([x.b - i for i in l], key= lambda y: y.seconds)[0].days, axis=1)

说明：对每一行应用一个函数：

• 计算行的datetime与l中存在的每个datetime之间的deltatime，然后将其存储在列表中
• 按每个deltatime的秒数对此列表排序
• 获取第一个值（具有最小的deltatime）并返回其days

此代码将此数据集分隔在

• 工作日星期五
• 年2014年
• 第01天
• 小时00
• 分钟03

rides['weekday'] = rides.timestamp.dt.strftime("%A")
rides['year'] = rides.timestamp.dt.strftime("%Y")
rides['day'] = rides.timestamp.dt.strftime("%d")
rides['hour'] = rides.timestamp.dt.strftime("%H")
rides["minute"] = rides.timestamp.dt.strftime("%M")