本文介绍如何基于 Pass_ID 分组后，精准筛选出全部时间戳均落在指定时段（如 10:00–13:00）内的组，或仅提取在该时段内出现过的唯一 Pass_ID，兼顾简洁性与逻辑严谨性。
本文介绍如何基于 `pass_id` 分组后，精准筛选出**全部时间戳均落在指定时段（如 10:00–13:00）内**的组，或仅提取**在该时段内出现过的唯一 pass_id**，兼顾简洁性与逻辑严谨性。
在实际时间序列分析中，常需按业务标识（如 Pass_ID）分组，并进一步按“一天中的时间段”进行条件过滤。Pandas 提供了 between_time 方法，但其直接作用于 DataFrame 索引（且要求索引为 datetime 类型），因此需合理配合 set_index、groupby 和 filter 实现不同粒度的筛选目标。
✅ 场景一：提取「至少有一个记录落在指定时段内」的 Pass_ID（宽松匹配）
这是最常用的需求——只要某 Pass_ID 的任意一条记录发生在 10:00–13:00，就将其纳入结果：
# 确保 Date_Time 列为 datetime 类型（若尚未转换）
df["Date_Time"] = pd.to_datetime(df["Date_Time"])
# 设置 Date_Time 为索引，应用 between_time，再提取 Pass_ID 并去重
pass_ids_in_window = df.set_index("Date_Time").between_time("10:00", "13:00")["Pass_ID"].unique()
print(pass_ids_in_window) # 输出: ['B']
⚠️ 注意：between_time 默认包含边界（即 10:00:00 和 13:00:00 均被包含），且对时区不敏感；若数据含时区信息，建议先统一为本地时间或 UTC 再操作。
✅ 场景二：提取「所有记录均严格落在指定时段内」的 Pass_ID（严格匹配）
该逻辑要求某 Pass_ID 对应的所有时间点都满足 10:00 ≤ time ≤ 13:00，适用于质量控制或合规性校验：
result = (
df.groupby("Pass_ID")
.filter(lambda x: len(x.set_index("Date_Time").between_time("10:00", "13:00")) == len(x))
["Pass_ID"]
.unique()
)
print(result) # 输出: ['B']
此写法通过 filter 遍历每个 Pass_ID 子集：对子集设索引后调用 between_time，若返回行数等于原子集行数，则说明该组全部时间均在窗口内。
? 更健壮的替代写法（推荐用于生产环境）
为避免 lambda 中重复索引设置及潜在性能问题，可改用向量化方式预计算小时属性：
# 添加 hour 列（更直观、可复用）
df["hour"] = df["Date_Time"].dt.hour
# 严格匹配：每组的最小和最大 hour 都在 [10, 13] 范围内（注意：13:00 包含，13:59:59 也属 13 小时）
mask_strict = df.groupby("Pass_ID")["hour"].agg(["min", "max"]).apply(
lambda row: 10 <p>该方法无需反复设置索引，支持链式操作，且便于扩展（例如加入分钟级判断 df["Date_Time"].dt.time 或使用 pd.IntervalIndex）。</p><h3>✅ 总结</h3>
- between_time 是专为时间索引设计的高效工具，务必确保索引为 datetime 类型；
- groupby(...).filter(...) 适合逻辑复杂的组级筛选，但注意其内部会复制数据，大数据集下需评估性能；
- 预计算 dt.hour/dt.time 属性更适合多条件组合或需要复用时间特征的场景；
- 实际应用中，请始终验证 Date_Time 列是否已正确解析为 datetime64[ns]，可使用 df["Date_Time"].dtype 检查。
