pandas按日期过滤DataFrame返回空结果的解决方法

空返回结果和Timestamp/datetime类型差异无关，核心是三个代码逻辑错误：

• 三层循环做了笛卡尔积匹配，没有把车辆和它对应的品牌生效/失效时间绑定，会出现拿A车的订单匹配B车有效期的错误。
• DataFrame.append()不会原地修改对象，循环中只调用不赋值，最终的filtered_orders始终是空初始化的DataFrame。
• 手动循环做时间转换效率极低，且容易引入格式解析错误。

注：pandas的Timestamp类型原生兼容和Python标准库datetime.datetime的大小比较，不需要额外做类型转换。

放弃多层循环写法，先建立车辆和品牌有效期的一一映射关系，通过表关联一次性完成过滤，代码更简洁且运行效率更高：

import pandas as pd

# 构建车辆与品牌有效期的映射表，保证车和时间一一对应
car_valid_period = pd.DataFrame({
    "Car": ["AAA111", "BBB222", "CCC333"],
    "branded": pd.to_datetime(["2020-11-19", "2019-04-30", "2019-09-10"]),
    "debranded": pd.to_datetime(["2022-06-21", "2020-03-01", "2020-03-01"])
})

# 读取并预处理订单数据
orders = pd.read_csv("filtered_orders.csv", index_col=0)
orders = orders.rename({"Created Time": "time"}, axis="columns")
# 用pandas原生方法批量转换时间格式，无需手动循环
orders["time"] = pd.to_datetime(orders["time"])

# 关联订单和对应车辆的有效期，直接完成过滤
order_merge = orders.merge(car_valid_period, on="Car", how="left")
filtered_orders = order_merge[
    (order_merge["time"] >= order_merge["branded"]) &
    (order_merge["time"] <= order_merge["debranded"])
].drop(columns=["branded", "debranded"])

# 如需还原原列名，执行以下代码
filtered_orders = filtered_orders.rename({"time": "Created Time"}, axis="columns")

用提供的样例数据运行上述代码，输出结果和预期完全一致：

Created Time Ride price     Car
0 2022-06-20 16:09:53             AAA111
2 2019-06-30 16:09:51             BBB222

• AAA111的订单时间2022-06-20处于品牌有效期2020-11-19~2022-06-21内，保留。
• BBB222仅2019-06-30的订单处于品牌有效期2019-04-30~2020-03-01内，其余订单要么早于品牌生效时间，要么晚于摘牌时间，被过滤。
• CCC333的样例订单均不在品牌有效期2019-09-10~2020-03-01范围内，无保留数据。

• 所有DataFrame的匹配、关联操作优先用pandas内置的merge、query等方法，避免手写多层循环，既容易出逻辑错误，性能也远低于内置方法。
• pandas高版本已经废弃DataFrame.append()方法，批量拼接数据推荐使用pd.concat()。
• 时间格式转换统一用pd.to_datetime()，支持批量处理，自动适配绝大多数常见时间格式，不需要手动写datetime.strptime逐行解析。

内容的提问来源于stack exchange，提问作者AleksLi