如何根据DataFrame列的时间范围完成条件赋值

原代码无法运行主要有两个核心问题：

• 依赖固定的date变量拼接单天的时间阈值，只能处理单个日期的数据，数据集跨越多天时，非该日期的所有记录都会被判定为不符合条件，直接赋值为0，逻辑完全失效
• 如果df['datetime']列没有提前转换为datetime64类型，和datetime.strptime生成的时间对象做比较时，会触发类型不匹配的报错
  另外嵌套np.where的写法在规则增多时可读性会快速下降，也不方便后续维护。

不需要设置时间索引，不需要逐天循环拼接日期字符串，直接提取每条记录的日内时间部分做判断即可，该写法放在函数内部不会触发任何索引相关报错，且适配任意时间跨度的数据集，性能远高于逐天遍历的写法。
首先确保时间列格式正确，再做时段判断：

import pandas as pd
import numpy as np

# 统一转换时间列格式，这步是所有时间操作的前置前提
df['datetime'] = pd.to_datetime(df['datetime'])
# 提取每条记录的日内时间部分，和日期无关
daily_time = df['datetime'].dt.time

# 先给所有列赋默认值0
df['event'] = 0
# 匹配上午9:00-11:00时段，赋值1
df.loc[
    (daily_time >= pd.to_datetime('09:00:00').time())
    & (daily_time < pd.to_datetime('11:00:00').time()),
    'event'
] = 1
# 匹配下午15:00-16:00时段，赋值2
df.loc[
    (daily_time >= pd.to_datetime('15:00:00').time())
    & (daily_time < pd.to_datetime('16:00:00').time()),
    'event'
] = 2

如果偏好更简洁的写法，也可以用np.select实现，适合后续需要新增更多时段规则的场景：

conditions = [
    (daily_time >= pd.to_datetime('09:00:00').time()) & (daily_time < pd.to_datetime('11:00:00').time()),
    (daily_time >= pd.to_datetime('15:00:00').time()) & (daily_time < pd.to_datetime('16:00:00').time())
]
assign_values = [1, 2]
df['event'] = np.select(conditions, assign_values, default=0)

• 不需要修改DataFrame原有索引，完全规避时间索引带来的各类报错
• 自动适配所有日期的记录，不需要逐天处理，执行效率高
• 逻辑拆分清晰，新增、修改时段规则时不需要调整嵌套结构，维护成本低

内容的提问来源于stack exchange，提问作者updownleft5134