如何高效判断Pandas的Datetime Index是否在指定日期范围内

我有以下代码：

import pandas as pd, numpy as np
from datetime import datetime
end_dt = datetime.today()
st_dt = (end_dt + pd.DateOffset(-10)).date()
df_index = pd.date_range(st_dt, end_dt)
df = pd.DataFrame(index=df_index, columns=['in_range'])

data = [pd.to_datetime(['2022-11-08','2022-11-10']), pd.to_datetime(['2022-11-13','2022-11-15'])]
dt_ranges = pd.DataFrame(data,columns={'st_dt':'datetimens[64]', 'end_dt': 'datetimens[64]'})

运行后生成两个DataFrame：
df：

in_range
2022-11-08  NaN
2022-11-09  NaN
2022-11-10  NaN
2022-11-11  NaN
2022-11-12  NaN
2022-11-13  NaN
2022-11-14  NaN
2022-11-15  NaN
2022-11-16  NaN
2022-11-17  NaN
2022-11-18  NaN

dt_ranges：

st_dt       end_dt
0   2022-11-08  2022-11-10
1   2022-11-13  2022-11-15

我需要更新df的in_range列，标记其Datetime Index是否落在dt_ranges中的任意一组起止日期范围内，最终效果如下：

in_range
2022-11-08  True
2022-11-09  True
2022-11-10  True
2022-11-11  NaN
2022-11-12  NaN
2022-11-13  True
2022-11-14  True
2022-11-15  True
2022-11-16  NaN
2022-11-17  NaN
2022-11-18  NaN

我尝试用lambda和循环实现，但效率较低，且代码运行后in_range列始终为NaN（怀疑是重置索引导致对齐问题），代码如下：

def in_range(index_date, date_ranges):
    for r in date_ranges.values:
        if (r[0] >= index_date) & (r[1] <= index_date):
            return True
    return False

df['in_range'] = df.reset_index().apply(lambda x: in_range(x.date, dt_ranges), axis=1)

请问是否有更Pythonic（Pandas风格）的高效实现方式？

方法一：利用pd.IntervalIndex批量判断 #

这是最贴合Pandas风格的高效实现，无需循环，直接通过区间索引完成批量判断：

# 将dt_ranges的起止日期转换为闭合区间数组（包含首尾日期）
intervals = pd.IntervalIndex.from_arrays(dt_ranges['st_dt'], dt_ranges['end_dt'], closed='both')

# 检查df索引是否落在任意区间内，再将False转为NaN
df['in_range'] = df.index.isin(intervals).replace({False: pd.NA})

方法二：向量化条件更新 #

如果不想用IntervalIndex，也可以通过向量化逻辑运算实现，相比原生循环效率提升明显：

# 先初始化in_range列为NaN
df['in_range'] = pd.NA

# 遍历每个日期区间，用掩码更新对应范围的in_range值
for _, row in dt_ranges.iterrows():
    mask = (df.index >= row['st_dt']) & (df.index <= row['end_dt'])
    df.loc[mask, 'in_range'] = True

原有代码的问题说明 #

1. 逻辑判断错误：in_range函数里的条件写反了，正确逻辑应该是(r[0] <= index_date) & (index_date <= r[1])，原条件会导致永远返回False，最终赋值为NaN。
2. 列名错误：df.reset_index()后生成的列名为index而非date，调用x.date会触发报错，这也是结果全为NaN的原因之一。

内容的提问来源于stack exchange，提问作者mike01010