如何优雅创建不规则pd.DatetimeIndex？附交易时段生成示例

刚好之前处理过类似的交易时间序列需求，分享一个简洁优雅的实现方式给你～

思路概述 #

我们需要把给定的交易日期和时段组合，生成每个时段内30分钟频率、右闭合的时间点，最后合并成统一的DatetimeIndex。核心是利用pandas的date_range工具，结合列表推导式批量处理每个时段，既简洁又易维护。

代码实现 #

import pandas as pd

# 输入的交易日期（数字格式）
trade_dates = [20180104, 20180105, 20180108, 20180109]
# 转换为标准日期对象，方便后续拼接时段时间
dates = pd.to_datetime([str(d) for d in trade_dates]).date
# 定义每个交易日的两个交易时段（起始、结束时间）
sessions = [("09:30", "11:30"), ("13:00", "15:00")]

# 用列表推导式生成所有时间点并转为DatetimeIndex
result_idx = pd.DatetimeIndex([
    time_point
    for date in dates
    for start_str, end_str in sessions
    for time_point in pd.date_range(
        start=pd.to_datetime(f"{date} {start_str}"),
        end=pd.to_datetime(f"{date} {end_str}"),
        freq="30min",
        closed="right"
    )
])

关键细节解释 #

• 日期转换：先把输入的数字日期转成字符串，再转为pandas的日期对象，避免手动拼接字符串时出现格式错误；
• closed="right"参数：这是实现“右闭合”的核心，它让date_range只保留每个30分钟区间的结束点（比如从09:30开始，第一个点就是10:00，直到11:30这个结束点），完全匹配你的预期结果；
• 列表推导式：相比嵌套循环，用列表推导式让代码更紧凑，逻辑一目了然，符合“优雅”的要求。

验证结果 #

打印生成的索引，会得到和你预期一致的结果：

print(result_idx)
# 输出示例：
# DatetimeIndex(['2018-01-04 10:00:00', '2018-01-04 10:30:00',
#                '2018-01-04 11:00:00', '2018-01-04 11:30:00',
#                '2018-01-04 13:30:00', '2018-01-04 14:00:00',
#                '2018-01-04 14:30:00', '2018-01-04 15:00:00',
#                ...],
#               dtype='datetime64[ns]', freq=None)

内容的提问来源于stack exchange，提问作者Eastsun