Pandas根据指定日期-公司列表从源DataFrame取值构建新DataFrame

• 现有三层嵌套列表存储公司标识与对应需提取数据的日期集合，示例格式：
  [[['14-Sep-20'], 'a'], [['10-Jan-20','21-May-21'], 'b'], [['10-Jan-20'], 'c'], [['25-Feb-21'], 'd']]
• 源数据为DataFrame df1：行索引为2020年1月1日至今的所有日期，列覆盖a-z所有公司，单元格存储对应日期对应公司的数值。
• 构建新DataFrame的需求：
  • 行索引取嵌套列表中出现的所有日期
  • 列取嵌套列表涉及的所有公司
  • 仅填充列表明确指定的「日期-公司」组合对应的df1数值，其余位置留空
• 已尝试方案的问题：
  • 手动构造字典传入pandas.DataFrame的方式需要手动录入单元格值，无法自动从df1拉取数据，不符合要求
  • 参考其他方案实现后新表行列结构正确，但所有单元格均为NaN，无法正确读取源表数值

新表全为NaN的核心原因是索引匹配失败：pandas的loc取值是严格全等匹配，若df1的行索引是datetime64类型，和列表中'14-Sep-20'格式的字符串类型日期无法匹配，自然返回空值。
完整可运行实现代码如下：

import pandas as pd
import numpy as np

# 第一步：统一df1行索引格式，和列表中的日期字符串格式对齐
# 如果df1索引本身就是'd-%b-%y'格式的字符串，可跳过此步
df1.index = df1.index.strftime('%d-%b-%y')

# 第二步：解析嵌套列表，提取所有目标日期、目标公司，以及日期-公司对应关系
nested_list = [[['14-Sep-20'], 'a'], [['10-Jan-20','21-May-21'], 'b'], [['10-Jan-20'], 'c'], [['25-Feb-21'], 'd']] # 替换为实际列表变量
company_date_map = {}
all_target_dates = set()
all_target_companies = set()

for date_group, company in nested_list:
    company_date_map[company] = date_group
    all_target_dates.update(date_group)
    all_target_companies.add(company)

# 第三步：初始化全空的目标DataFrame
result_df = pd.DataFrame(
    index=list(all_target_dates), # 需要按日期排序可改成sorted(all_target_dates)
    columns=list(all_target_companies),
    dtype=np.float64
)

# 第四步：批量从df1取值填充，避免逐单元格循环
for company, valid_dates in company_date_map.items():
    result_df.loc[valid_dates, company] = df1.loc[valid_dates, company]

排查提示：若运行后仍有部分单元格为NaN，先校验对应日期是否真实存在于df1.index中，不存在的日期无法取到有效值。

内容的提问来源于stack exchange，提问作者Younglad