Pandas 1.1.2中如何在多级索引DataFrame筛选指定日期行？

我完全懂你的困扰——Pandas升级后对多级索引的loc行为做了严格限制，原来顺手的写法突然就失效了。咱们一步步来搞定这个问题：

问题根源 #

Pandas 0.24及更早版本允许通过df.loc[selected_dates]这种单级标签列表，自动匹配多级索引的第一层级并广播到所有子层级，缺失的日期还会自动生成NaN行。但1.x版本后，loc对多级索引的匹配要求更精确，直接传入单级列表会触发KeyError，因为它无法确定你要匹配哪一层级。

解决方案一：精确筛选存在的行（高效） #

如果你的需求只是快速筛选出已有日期的所有产品行，不需要生成缺失日期的NaN行，推荐使用pd.IndexSlice——这是官方针对多级索引推荐的工具，效率拉满：

import pandas as pd
from random import randint

selected_dates = ['2020-09-02', '2020-09-05', '2020-09-10']
# 先把字符串转成datetime，和索引类型匹配（避免类型不匹配的隐式转换）
selected_dates_dt = pd.to_datetime(selected_dates)

# 构造示例数据
idx = pd.MultiIndex.from_product([pd.date_range('2020-09-01', '2020-09-07'), ['prod1', 'prod2', 'prod3']])
metric1 = [i for i in range(len(idx))]
metric2 = [10*i for i in range(len(idx))]
df = pd.DataFrame(dict(metric1=metric1, metric2=metric2), index=idx)

# 使用IndexSlice筛选：匹配第一级为目标日期、第二级为所有产品的行
result = df.loc[pd.IndexSlice[selected_dates_dt, :], :]
# 不存在的日期（比如2020-09-10）会自动忽略，不会返回该行
print(result)

这个方法直接在原索引上做匹配，不需要额外构造新索引，非常适合频繁筛选的大表场景。

解决方案二：还原旧版本行为（生成缺失日期的NaN行） #

如果你需要完全复刻旧版本的效果——即缺失的日期对应的所有产品行都生成NaN，之后可以用dropna删除，那么需要通过reindex构造完整的目标多级索引：

# 先获取原表中所有唯一的产品
unique_products = df.index.get_level_values(1).unique()
# 构造包含目标日期和所有产品的多级索引，保持索引名称和原表一致
target_idx = pd.MultiIndex.from_product(
    [selected_dates_dt, unique_products],
    names=df.index.names
)
# 重索引，缺失的日期-产品组合会填充为NaN
result_with_nan = df.reindex(target_idx)
# 之后可以按需删除NaN行
result_clean = result_with_nan.dropna()
print(result_with_nan)

这个方法完美还原了旧版本df.loc[selected_dates]的行为，满足你后续处理NaN的需求。

效率小贴士 #

• 频繁筛选时，建议提前把selected_dates转成datetime类型，避免每次重复做类型转换。
• 对于大表，IndexSlice的筛选速度远快于reindex，所以如果不需要生成NaN行，优先用方案一。

内容的提问来源于stack exchange，提问作者Andor