如何高效删除Pandas DataFrame中Time列不在9:30-16:00区间的行

原有代码性能低的核心原因：

• 将Pandas datetime64类型转换为Python原生time对象，属于object数据类型，比较操作需要逐元素调用Python接口，没有利用Pandas向量化优化能力
• 额外创建3个临时列、执行两次drop操作，存在大量冗余计算和内存开销

方案1：使用Pandas内置between_time方法（最简洁高效） #

这是Pandas官方提供的专门用于时间段过滤的API，底层为C语言实现，性能最优，代码也最简洁：

import pandas as pd

# 先将Time列转换为datetime类型
df['Time'] = pd.to_datetime(df['Time'])
# 直接过滤9:30~16:00的行，无需创建额外中间列
df = df.set_index('Time').between_time('9:30', '16:00').reset_index()

如果需要保留原有列的顺序，reset_index后手动调整列顺序即可。

方案2：数值向量化比较（无需修改索引） #

如果不想调整DataFrame索引，可以将时间转换为零点以来的秒数做数值比较，全程无object类型操作，性能接近内置方法：

import pandas as pd

df['Time'] = pd.to_datetime(df['Time'])
# 计算每个时间点距离0点的总秒数
total_seconds = df['Time'].dt.hour * 3600 + df['Time'].dt.minute * 60
# 直接做数值比较生成过滤掩码
mask = (total_seconds >= 9*3600 + 30*60) & (total_seconds <= 16*3600)
df = df[mask].copy()

两种方案的性能相比原有实现都有数十到上百倍的提升，处理百万行级数据仅需毫秒级耗时。

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