如何对Pandas Datetime Index切片以自动提取首日数据

当然可以！完全不需要手动指定具体日期，就能自动提取每个DataFrame的首日数据，特别适合批量处理不同起始日期的CSV文件。下面是几种实用的方法，结合你的场景来讲解：

前提准备：确保时间列是DatetimeIndex #

首先要保证你的timestamp列已经被解析为日期时间类型，并且设置为DataFrame的索引（这样操作更高效）：

import pandas as pd

# 读取CSV时直接解析时间列并设为索引
df = pd.read_csv('your_file.csv', parse_dates=['timestamp'], index_col='timestamp')

# 如果已经读取了数据，也可以事后转换
# df['timestamp'] = pd.to_datetime(df['timestamp'])
# df = df.set_index('timestamp')

方法1：利用日期匹配筛选（最直观） #

获取DataFrame中第一条记录的日期，然后筛选所有属于该日期的行：

# 获取首日的日期（只保留年/月/日，去掉时分秒）
first_date = df.index[0].date()

# 筛选所有首日的数据
first_day = df[df.index.date == first_date]

这个方法简单易懂，不管时间序列是否排序都能正常工作。

方法2：利用索引切片（最高效） #

如果你的时间序列是按时间升序排列的（大多数日志/轨迹数据都是这样），可以直接找到首日最后一条记录的位置，用切片快速提取：

# 找到首日最后一条记录的索引
last_timestamp_of_first_day = df.index[df.index.date == first_date].max()

# 切片提取从开头到首日结束的所有数据
first_day = df.loc[:last_timestamp_of_first_day]

切片操作比布尔筛选更快，适合处理大型数据集。

方法3：按日期分组取首个分组 #

用groupby按日期分组，直接提取第一个分组的所有数据：

# 按日期分组，获取第一个分组（即首日数据）
first_day = df.groupby(df.index.date).get_group(df.index.date[0])

这个方法逻辑清晰，也适合需要同时处理多日数据的场景。

批量处理多个CSV的示例 #

把上述逻辑封装到循环里，批量处理文件夹下的所有CSV：

import glob

for csv_file in glob.glob('*.csv'):
    # 读取并预处理数据
    df = pd.read_csv(csv_file, parse_dates=['timestamp'], index_col='timestamp')
    # 提取首日数据
    first_date = df.index[0].date()
    first_day = df[df.index.date == first_date]
    # 保存结果（比如在文件名前加first_day_前缀）
    first_day.to_csv(f'first_day_{csv_file}')

用你的示例数据测试的话，以上方法都会返回只包含2018-12-22的3条记录的DataFrame，完全符合你的需求。

内容的提问来源于stack exchange，提问作者Juli4