如何通过用户输入日期及前后n天过滤Pandas DataFrame？

前提准备 #

首先确保你的DataFrame满足两个基础条件：

• DATE列是datetime类型，若不是先转换：

  import pandas as pd
  df['DATE'] = pd.to_datetime(df['DATE'])
  

• 包含公司标识列（比如命名为COMPANY），用来区分不同公司的数据（你的示例数据未体现，实际场景需补充）

方法1：循环实现（满足你的需求） #

如果一定要用循环，步骤如下：

1. 获取所有唯一公司列表：

   companies = df['COMPANY'].unique()
   

2. 初始化空列表存储每个公司的筛选结果：

   result_list = []
   

3. 遍历每个公司，筛选指定日期前后数据：

   t0 = pd.to_datetime('2021-01-25')  # 用户输入的指定日期
   n_before = 10  # 前n天
   n_after = 20   # 后n天
   
   for company in companies:
       # 取出当前公司的所有数据
       company_data = df[df['COMPANY'] == company]
       # 检查该公司是否有t0当天的数据
       if t0 not in company_data['DATE'].values:
           continue  # 无数据则跳过，也可改为找最接近的日期
       # 找到t0所在行的索引
       t0_idx = company_data[company_data['DATE'] == t0].index[0]
       # 计算切片范围（防止索引越界）
       start_idx = max(company_data.index[0], t0_idx - n_before)
       end_idx = min(company_data.index[-1], t0_idx + n_after)
       # 截取数据并加入结果列表
       result_list.append(company_data.loc[start_idx:end_idx])
   

4. 合并所有结果：

   final_result = pd.concat(result_list).reset_index(drop=True)
   

方法2：分组筛选（推荐，大数据效率更高） #

循环在数据量大时速度较慢，更推荐用groupby结合自定义函数的方式，直接按公司分组处理：

按交易日行数筛选（前后n行数据） #

def filter_window(group, t0, n_before=10, n_after=20):
    # 检查当前组是否包含t0日期
    if t0 not in group['DATE'].values:
        return pd.DataFrame()  # 无数据则返回空表
    t0_idx = group[group['DATE'] == t0].index[0]
    start_idx = max(group.index[0], t0_idx - n_before)
    end_idx = min(group.index[-1], t0_idx + n_after)
    return group.loc[start_idx:end_idx]

# 传入参数执行筛选
t0 = pd.to_datetime('2021-01-25')
final_result = df.groupby('COMPANY').apply(filter_window, t0=t0, n_before=10, n_after=20).reset_index(drop=True)

按日历日范围筛选（前后n个自然日，忽略非交易日） #

如果需要按实际日历天数（而非交易日数量）筛选，调整函数：

def filter_calendar_window(group, t0, n_before=10, n_after=20):
    start_date = t0 - pd.Timedelta(days=n_before)
    end_date = t0 + pd.Timedelta(days=n_after)
    return group[(group['DATE'] >= start_date) & (group['DATE'] <= end_date)]

final_result = df.groupby('COMPANY').apply(filter_calendar_window, t0=t0, n_before=10, n_after=20).reset_index(drop=True)

关键说明 #

• 两种方法都能实现需求，循环适合小数据量或调试阶段，分组方法更适配大型数据集
• 若部分公司没有t0当天的数据，可根据需求修改逻辑：比如找最接近t0的日期作为基准，或直接跳过该公司

内容的提问来源于stack exchange，提问作者Begginer