基于前后索引的日期存在性创建DataFrame新列

核心思路是先预存每个索引对应的日期集合，再通过移位操作获取前后索引的日期集合，最后逐行判断日期的存在情况并求和得到目标值：

1. 提取每个索引对应的日期集合
   先按索引分组，把每个索引下的Date列转成集合，方便后续快速判断成员关系：

   date_sets = df.groupby(level=0)['Date'].agg(set)
   

2. 生成前后索引的日期集合映射
   利用shift操作分别获取前一个、后一个索引的日期集合，再映射回原DataFrame：

   df['prev_dates'] = df.index.map(date_sets.shift(1))
   df['next_dates'] = df.index.map(date_sets.shift(-1))
   

3. 计算目标列
   把日期是否存在于前后集合的布尔值转为整数后相加，直接得到0/1/2的结果：

   df['result'] = df.apply(
       lambda x: int(x['Date'] in x['prev_dates']) + int(x['Date'] in x['next_dates']),
       axis=1
   )
   

4. 可选：清理临时列
   如果不需要临时的prev_dates和next_dates列，可以直接删除：

   df = df.drop(['prev_dates', 'next_dates'], axis=1)
   

更简洁的链式写法 #

可以把步骤整合，避免生成临时列：

date_sets = df.groupby(level=0)['Date'].agg(set)
df['result'] = (
    df.index.map(date_sets.shift(1)).apply(lambda s: df['Date'].isin(s))
    + df.index.map(date_sets.shift(-1)).apply(lambda s: df['Date'].isin(s))
).astype(int)

这个方案完全遵循Pandas的向量化和分组操作风格，避免了循环，效率较高，同时逻辑清晰易读。

内容的提问来源于stack exchange，提问作者Dante van der Heijden