咨询：Pandas合并两个DataFrame的更优实现方法

嘿，针对你现在的需求，我整理了几个比原方案更简洁高效的实现方式，核心是减少不必要的中间步骤和对象创建，一起来看看吧：

方案1：布尔索引一步筛选（最简洁） #

直接利用dt.hour提取小时，通过布尔条件一次性筛选出所有符合时间段的行，无需拆分再合并：

import pandas as pd
import numpy as np

N = 50
df = pd.DataFrame({'date': pd.date_range('2000-1-1', periods=N, freq='H'), 'value': np.random.random(N)})

# 筛选7-8点、12-13点的记录（注意between是左闭右闭，所以9点前是到8点，14点前是到13点）
comb_data = df[(df['date'].dt.hour.between(7, 8)) | (df['date'].dt.hour.between(12, 13))].reset_index(drop=True)

优势：代码紧凑，没有中间变量，仅需一次筛选操作，性能最优，可读性也很强。

方案2：合并索引器后一次性提取 #

如果还是想使用indexer_between_time，可以先合并两个时间段的索引器，再一次性提取行，避免concat操作：

import pandas as pd
import numpy as np

N = 50
df = pd.DataFrame({'date': pd.date_range('2000-1-1', periods=N, freq='H'), 'value': np.random.random(N)})
index = pd.DatetimeIndex(df['date'])

# 合并两个时间段的索引位置
combined_indexer = np.union1d(
    index.indexer_between_time('7:00', '9:00'),
    index.indexer_between_time('12:00', '14:00')
)
comb_data = df.iloc[combined_indexer].reset_index(drop=True)

优势：保留了你原本使用indexer_between_time的习惯，同时减少了一次DataFrame合并操作，大数据量下效率提升明显。

方案3：基于小时集合的灵活筛选 #

如果需要频繁调整目标时间段，这种方式的可读性和灵活性最高：

import pandas as pd
import numpy as np

N = 50
df = pd.DataFrame({'date': pd.date_range('2000-1-1', periods=N, freq='H'), 'value': np.random.random(N)})

# 定义需要筛选的小时集合，修改起来非常方便
target_hours = set(range(7, 9)) | set(range(12, 14))
comb_data = df[df['date'].dt.hour.isin(target_hours)].reset_index(drop=True)

优势：调整时间段只需修改target_hours集合，无需改动筛选逻辑，适合需求多变的场景。

整体来说，这三个方案都比原方案更优，核心是避免先拆分再合并的冗余操作，直接一次性获取目标数据，无论是代码简洁度还是运行效率都有提升。

内容的提问来源于stack exchange，提问作者Min