如何在Pandas中筛选多组时间区间内的数据行

嘿，这个问题我之前也碰到过，用Pandas结合NumPy就能轻松解决！下面给你两种可行的方案，按需选择：

第一步：确保时间数据类型正确 #

首先得保证你的DataFrame里的time列和两个区间数组都是datetime类型，否则比较会出错：

import pandas as pd
import numpy as np

# 转换df的time列为datetime类型（如果还没转的话）
df['time'] = pd.to_datetime(df['time'])

# 补全你提供的upper数组（假设缺失部分是2013-10-19T18:00:00）
lower = np.array(['2013-10-09T06:15:00.000000000', '2013-10-09T07:00:00.000000000', '2013-10-19T13:00:00.000000000'], dtype='datetime64[ns]')
upper = np.array(['2013-10-09T11:15:00.000000000', '2013-10-09T12:00:00.000000000', '2013-10-19T18:00:00.000000000'], dtype='datetime64[ns]')

方案一：Pandas条件拼接（直观易懂） #

这个方法用列表推导式生成每个区间的筛选条件，然后合并成一个总条件：

# 生成每个(lower[i], upper[i])对应的布尔条件
interval_conditions = [(df['time'] >= l) & (df['time'] <= u) for l, u in zip(lower, upper)]

# 合并条件：只要满足任意一个区间就保留该行
filtered_df = df[pd.concat(interval_conditions, axis=1).any(axis=1)]

解释：zip(lower, upper)把每个区间的上下限配对，生成的每个条件是一个布尔Series，pd.concat把这些Series拼成DataFrame，any(axis=1)表示每行只要有一个条件为True就保留。

方案二：NumPy广播（高效适合大数据） #

如果你的DataFrame数据量很大，用NumPy广播的方法会更快：

# 把df的time转为二维NumPy数组（方便广播）
times = df['time'].to_numpy()[:, np.newaxis]

# 广播比较：检查每个时间是否落在任意一个区间内
mask = ((times >= lower) & (times <= upper)).any(axis=1)

# 筛选结果
filtered_df = df[mask]

解释：times[:, np.newaxis]把一维时间数组变成n行1列的二维数组，和一维的lower/upper广播后，得到n行3列的布尔数组，any(axis=1)取每行的逻辑或结果，作为最终筛选掩码。

最终筛选结果 #

运行上述代码后，你会得到符合条件的行：

内容的提问来源于stack exchange，提问作者LogCapy