如何按指定日期对numpy数组进行掩码筛选操作？

原有代码日期判断失效的核心原因是类型/精度不匹配：time[i]是带时分秒精度的pandas.Timestamp对象，直接和仅包含年月日的日期字符串做相等判断，永远返回False，自然无法命中符合条件的时间点。
另外逐行循环遍历生成掩码的写法性能很差，时间序列数据量较大时运行效率极低，优先用pandas原生的向量化操作实现。

1. 原循环逻辑修正 #

如果要保留原有循环写法，只需要把时间点的日期部分提取出来，再和目标日期做对比即可，注意取Series位置元素用.iloc避免索引歧义：

import pandas as pd
import numpy as np

time = pd.date_range("2021-09-09 04:22:00", "2021-09-10 19:59:00", freq="1min")
time = pd.Series(time, time)

target_date = pd.to_datetime('2021-09-09').date()
out = np.full(time.shape, False)

for i in range(time.shape[0]):
    current_ts = time.iloc[i]
    # 先匹配日期，再匹配时段
    if current_ts.date() == target_date:
        if 4 <= current_ts.hour <= 6:
            out[i] = True

2. 推荐：向量化掩码实现（无循环，性能最优） #

直接利用pandas时间序列的内置属性生成布尔掩码，不需要逐行遍历，代码更简洁、运行速度快几个数量级：

import pandas as pd
import numpy as np

time = pd.date_range("2021-09-09 04:22:00", "2021-09-10 19:59:00", freq="1min")
time_series = pd.Series(time, index=time)

target_date = '2021-09-09'
# 直接生成numpy格式的布尔掩码
out = (
    # 匹配目标日期
    (time_series.dt.date == pd.to_datetime(target_date).date())
    # 匹配4-6点时段
    & (time_series.dt.hour.between(4, 6))
).to_numpy()

性能优化提示 #

如果后续需要筛选日期段而非单个日期，用时间边界比较的写法比提取.dt.date性能更高，可直接利用时间索引的排序特性加速：

# 筛选2021-09-09全天4-6点的高性能写法
out = (
    (time_series >= '2021-09-09')
    & (time_series < '2021-09-10')
    & (time_series.dt.hour.between(4, 6))
).to_numpy()

内容的提问来源于stack exchange，提问作者a7dc