必须先用pd.to_datetime()转换日期列类型并用set_index()设为datetimeindex，再通过字符串切片或loc+pd.timestamp按时间范围查询，且需确保索引已排序、时区一致。
用 set_index() 把列转成 DatetimeIndex 是前提
如果原始 DataFrame 的日期列是普通列（比如叫 'date' 或 'timestamp'），直接切片会报 KeyError 或返回空——因为 pandas 不知道哪列是时间索引。必须先用 set_index() 显式设为索引，且类型得是 datetime64[ns]。
常见错误：跳过类型转换，直接 df.set_index('date')。若 'date' 是字符串，索引会变成 object 类型，后续切片失效。
- 先用
pd.to_datetime()转类型：df['date'] = pd.to_datetime(df['date']) - 再设索引：
df = df.set_index('date') - 验证是否成功：
df.index.dtype应返回datetime64[ns]
用字符串切片查日期范围最简洁（推荐）
pandas 对 DatetimeIndex 支持类似 Python 列表的字符串切片语法，比如 df['2023-01':'2023-03']，它会自动匹配年月、甚至精确到日，无需写完整时间戳。
注意边界是「包含起始、包含结束」，且对齐到粒度单位（如只写年月，就按月对齐；写到日，就按日对齐）。
-
df['2023-01-01':'2023-01-15']→ 包含 1 月 1 日 00:00:00 到 1 月 15 日 23:59:59 的所有行 -
df['2023-01':'2023-03']→ 包含整个 1 月、2 月、3 月的数据（无论时分秒） - 起止日期不存在也没关系，pandas 会自动取最近的有效边界
用 loc + datetime 对象更可控但稍啰嗦
当需要精确到秒、或逻辑复杂（比如带条件组合）时，loc 配合 pd.Timestamp 或 datetime.datetime 更稳妥，避免字符串解析歧义。
容易踩的坑：直接传 Python 原生 datetime 可能因时区导致结果意外；pandas 内部统一用 pd.Timestamp 处理时间运算。
- 推荐写法：
df.loc[pd.Timestamp('2023-01-01 09:00'):pd.Timestamp('2023-01-01 17:00')] - 如果原始数据有时区（如
UTC），务必保持一致：pd.Timestamp('2023-01-01', tz='UTC') - 不建议混用：
df.loc[datetime(2023,1,1):'2023-01-01']可能触发隐式转换失败
过滤前检查索引是否已排序，否则切片可能漏数据
DatetimeIndex 切片依赖索引有序。如果数据是拼接或乱序读入的（比如多个 CSV 合并后没排序），df['2023-01':'2023-03'] 可能只返回部分匹配行，甚至空。
这不是 bug，是 pandas 的性能设计：它默认假设索引已排序，不做额外校验。
- 检查方法：
df.index.is_monotonic_increasing返回False就说明有问题 - 修复方法：
df = df.sort_index()，之后再切片 - 如果数据量大且只需偶尔查询，排序开销可接受；高频查询建议在数据加载阶段就保证有序
真正卡住人的往往不是语法，而是索引类型不对、没排序、或时区不一致——这三个点比怎么写切片语句重要得多。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
