试试看：

# convert to string if necessary:
df["YYYYMM"] = df["YYYYMM"].astype(str)

df["Year"], df["Month"] = df["YYYYMM"].str[:4], df["YYYYMM"].str[4:]

print(df)

字符串
打印：

YYYYMM  Year Month
0  200101  2001    01
1  200102  2001    02
2  201012  2010    12

型

几个建议：
1.使用datetime.strpftime

>>> from datetime import datetime
>>> datetime.strptime('20231202', '%Y%m%d')
datetime.datetime(2023, 12, 2, 0, 0)

字符串
1.使用dateutil.parser

>>> import dateutil.parser
>>> dateutil.parser.parse('20231202')
datetime.datetime(2023, 12, 2, 0, 0)

型

我希望这将工作：

def splitYearMonth (date):
    date = pd.to_datetime(date, format='%Y%m')
    year = date.year
    month = date.month
    return year, month

字符串

你的猜测是正确的，使用apply()与自定义函数并不是最快的方法。向量化操作（即一次应用于整个数据列的操作）在许多情况下要快几个数量级。引用following website：
向量化比循环/迭代和应用快得多的原因是它不是每次都计算整行，而是将参数应用于整个数据集。向量化是一次将操作应用于整个数据数组的过程，而不是单独操作数组的每个元素。这允许更有效地使用内存和CPU资源。
当使用Loops或Apply对Pandas数据框执行计算时，操作将按顺序应用。这会导致重复访问内存、计算和更新值，这可能会导致速度缓慢和资源密集型。
另一方面，向量化操作在Cython（C或C++中的Python）中实现，并利用CPU的向量处理能力，可以一次执行多个操作，通过同时计算多个参数进一步提高性能。向量化操作还避免了不断访问内存的开销，这是循环和应用的支柱。
矢量化代码在实践中是什么样子的？例如：

import pandas as pd

# Initialize example dataframe
df = pd.DataFrame({"YYYYMM": [
    "202203",
    "202204",
    "202206",
    "202302",
    "202307",
]})

# Perform split
df["YYYYMM"] = df["YYYYMM"].astype(str)
df["year"] = df["YYYYMM"].str[:4]
df["month"] = df["YYYYMM"].str[4:]

print(df)

字符串
它打印：

YYYYMM  year month
0  202203  2022    03
1  202204  2022    04
2  202206  2022    06
3  202302  2023    02
4  202307  2023    07

型