between返回空结果主因是日期列非datetime64[ns]类型，字符串列调用时逻辑不匹配；须用pd.to_datetime转换并检查nat比例，且应显式设inclusive='both'确保闭区间兼容各版本。
为什么 between 返回空结果？检查日期类型是否为 datetime64[ns]
直接对字符串列调用 between 不会报错，但逻辑上永远不匹配——因为字符串比较和日期比较规则完全不同。Pandas 只有在列是 datetime64[ns] 类型时，between 才按时间顺序判断。
实操建议：
- 先用
df['date_col'].dtype确认类型，不是datetime64[ns]就必须转换 - 用
pd.to_datetime(df['date_col'], errors='coerce')转换，errors='coerce'会把非法值转为NaT，避免中断 - 转换后建议立刻检查缺失：
df['date_col'].isna().sum()，确认脏数据比例
如何正确使用 between 做闭区间筛选？注意 inclusive 参数默认值
between 默认是闭区间（包含两端），但这个行为从 Pandas 1.3.0 开始才统一；旧版本需显式写 inclusive=True，否则可能漏掉边界日期。
实操建议：
- 始终显式指定
inclusive='both'（推荐）或inclusive=True，避免版本差异导致的隐性 bug - 起止日期必须是可比较的标量：支持
str（如'2023-01-01'）、Timestamp、datetime.date，但不要混用date和datetime类型（后者含时分秒，可能因时区或默认时间为 00:00:00 导致意外截断） - 示例：
df[df['date'].between('2023-01-01', '2023-12-31', inclusive='both')]
筛选结果比预期少？排查时区与时间精度问题
如果原始数据含时区（如 datetime64[ns, UTC]），而你传入的是无时区字符串（如 '2023-06-01'），Pandas 会按本地时区解释该字符串，造成跨天偏移。
实操建议：
- 统一时区：用
dt.tz_localize(None)去时区，或用dt.tz_convert('UTC')对齐 - 若只需按日筛选，提前截断时间部分：
df['date'].dt.date或df['date'].dt.floor('D')，再用between - 注意
floor('D')比normalize()更可靠，后者在某些时区下可能出错
性能敏感场景下，between 和布尔索引哪个更快？
between 本质是语法糖，底层仍转为 (left 。两者性能几乎一致，但 <code>between 可读性更好，且自动处理 NaN（返回 False 而非 NaN）。
实操建议：
- 日常使用优先选
between，语义清晰，不易手误写成&漏括号 - 若需开区间（如左开右闭），必须用布尔表达式：
(df['date'] > start) & (df['date'] - 大数据量（千万行以上）且反复筛选时，考虑将日期列设为索引：
df.set_index('date').loc['2023-01-01':'2023-12-31']，速度提升明显
真正容易被忽略的是日期列里藏着的 NaT——它不会报错，但会让整行在 between 中静默消失。每次转换完类型，顺手跑一句 df['date'].isna().any() 是值得养成的习惯。
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！
