示例设置：
import pandas as pd
df = pd.DataFrame(
data={'ts':
[
'2008-11-05 07:45:23.100',
'2008-11-17 06:53:25.150',
'2008-12-02 07:36:18.643',
'2008-12-15 07:36:24.837',
'2009-01-06 07:03:47.387',
],
'val': range(5)})
df.ts = pd.to_datetime(df.ts)
df.set_index('ts', drop=False, inplace=True)
df
| ts | val
2008-11-05 07:45:23.100 | 2008-11-05 07:45:23.100 | 0
2008-11-17 06:53:25.150 | 2008-11-17 06:53:25.150 | 1
2008-12-02 07:36:18.643 | 2008-12-02 07:36:18.643 | 2
2008-12-15 07:36:24.837 | 2008-12-15 07:36:24.837 | 3
2009-01-06 07:03:47.387 | 2009-01-06 07:03:47.387 | 4
虽然索引是pd。时间戳类型，我可以使用时间戳的字符串表示来过滤它。例如：
df.loc['2008-11-05']
| ts | val
2008-11-05 07:45:23.100 | 2008-11-05 07:45:23.100 | 0
此外，熊猫还有一个非常方便的功能，当我的过滤器模糊时，它会返回所需的结果。例如：
df.loc['2008-12']
| ts | val
2008-12-02 07:36:18.643 | 2008-12-02 07:36:18.643 | 2
2008-12-15 07:36:24.837 | 2008-12-15 07:36:24.837 | 3
我的第一个问题是，如何使用字符串时间戳列表过滤 df？例如，如果我运行下面的代码
df.loc[['2008-11-05','2008-12']]
，我想得到的结果是
| ts | val
2008-11-05 07:45:23.100 | 2008-11-05 07:45:23.100 | 0
2008-12-02 07:36:18.643 | 2008-12-02 07:36:18.643 | 2
2008-12-15 07:36:24.837 | 2008-12-15 07:36:24.837 | 3
，但实际上我收到以下错误：
KeyError: "None of [Index(['2008-11-05', '2008-12'], dtype='object', name='ts')] are in the [index]"
我的第二个问题是，我可以对常规列执行类似的过滤逻辑吗？ 即，如果我不将ts设置为索引，而是直接使用字符串过滤器过滤ts列。
-------------------- 跟进 2019-9-10 10：00 --------------------
非常感谢以下所有答案。我不知道pd.Series.str.startswith可以支持多个字符串的tuple输入，或者pd.Series.str.contains可以支持'|'的使用。学到的新技能！
我认为所有基于使用astype(str)的方法对我来说都有一个主要缺点：在美国，人们使用各种日期时间格式。除了'2008-11-05'，我公司常用的还有'2008-11-5'、'11/05/2008'、'11/5/2008'、'20081105'、'05nov2008'，如果我使用基于字符串的方法，这些方法都会失败。
现在我仍然必须坚持以下方法，该方法要求列成为索引并且似乎效率不高(我还没有分析(，但应该足够健壮。我不明白为什么熊猫本身不支持它。
L = ['5nov2008','2008/12']
pd.concat([df.loc[val] for val in L]).drop_duplicates()
| ts | val
2008-11-05 07:45:23.100 | 2008-11-05 07:45:23.100 | 0
2008-12-02 07:36:18.643 | 2008-12-02 07:36:18.643 | 2
2008-12-15 07:36:24.837 | 2008-12-15 07:36:24.837 | 3
您可以通过先将它们转换为str来使用.contains()
res = df.loc[(df.index.astype(str).str.contains("2008-12"))
| (df.index.astype(str).str.contains('2008-11-05'))]
print(res)
ts val
ts
2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3
第二个问题
yes you can apply filter on normal column like
df.loc[(df.ts.astype(str).str.contains("2008-12"))
|(df.ts.astype(str).str.contains('2008-11-05'))]
这应该适合你。
>>> df
ts val
0 2008-11-05 07:45:23.100 0
1 2008-11-17 06:53:25.150 1
2 2008-12-02 07:36:18.643 2
3 2008-12-15 07:36:24.837 3
4 2009-01-06 07:03:47.387 4
结果：
>>> df[df.apply(lambda row: row.astype(str).str.contains('2008-11-05')).any(axis=1)]
ts val
0 2008-11-05 07:45:23.100 0
或。。
>>> df
ts val
ts
2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
2008-11-17 06:53:25.150 2008-11-17 06:53:25.150 1
2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3
2009-01-06 07:03:47.387 2009-01-06 07:03:47.387 4
结果：
>>> df[df.apply(lambda row: row.astype(str).str.contains('2008-11-05')).any(axis=1)]
ts val
ts
2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
查找多个值。
>>> df[df.apply(lambda row: row.astype(str).str.contains('2008-11-05|2008-12')).any(axis=1)]
ts val
ts
2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3
对于您的第一个问题，您可以使用pd.DataFrame.append：
df.loc['2008-11-05'].append(df.loc['2008-12'])
# ts val
# ts
# 2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
# 2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
# 2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3
对于第二个问题，您可以使用pd.Series.str.match：
df.ts.astype(str).str.match('2008-11-05|2008-12')
# ts
# 2008-11-05 07:45:23.100 True
# 2008-11-17 06:53:25.150 False
# 2008-12-02 07:36:18.643 True
# 2008-12-15 07:36:24.837 True
# 2009-01-06 07:03:47.387 False
# Name: ts, dtype: bool
因此，例如将其用作布尔索引：
df[df.ts.astype(str).str.match('2008-11-05|2008-12')]
# ts val
# ts
# 2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
# 2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
# 2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3
请注意，如果您的 ts 列已经是字符串类型，则可以省略astype(str)部分。
第一个想法是简单地通过concat连接在一起：
df1 = pd.concat([df.loc['2008-11-05'], df.loc['2008-12']], sort=True)
print (df1)
ts val
ts
2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3
或者按boolean indexing过滤 用掩码Series.str.contains|用于正则表达式OR：
df1 = df[df.index.astype(str).str.contains('2008-11-05|2008-12')]
或者使用Series.str.startswith和元组：
df1 = df[df.index.astype(str).str.startswith(('2008-11-05', '2008-12'))]
print (df1)
ts val
ts
2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3
如果输入是字符串列表：
L = ['2008-11-05','2008-12']
df2 = df[df.ts.astype(str).str.contains('|'.join(L))]
和类似：
df2 = df[df.ts.astype(str).str.startswith(tuple(L))]
print (df2)
ts val
0 2008-11-05 07:45:23.100 0
2 2008-12-02 07:36:18.643 2
3 2008-12-15 07:36:24.837 3
并且仅对于列，将index更改为ts：
df2 = df[df.ts.astype(str).str.contains('2008-11-05|2008-12')]
或：
df2 = df[df.ts.astype(str).str.startswith(('2008-11-05', '2008-12'))]
print (df2)
ts val
0 2008-11-05 07:45:23.100 0
2 2008-12-02 07:36:18.643 2
3 2008-12-15 07:36:24.837 3
你好像偶然发现了一个错误！
这行得通
df.loc['2008-11-05']
这行得通
df.loc['2008-11-05':'2008-12-15']
但正如你提到的，事实并非如此。
df.loc[['2008-11-05','2008-12-15']]
但是，您可以使用如下所示来获取所需的行。
df.iloc[[0,2,3]]
ts val
ts
2008-11-05 07:45:23.100 2008-11-05 07:45:23.100 0
2008-12-02 07:36:18.643 2008-12-02 07:36:18.643 2
2008-12-15 07:36:24.837 2008-12-15 07:36:24.837 3