有两种可能的解决方案：
使用布尔型掩码，然后使用
df.loc[mask]
将日期列设置为
DatetimeIndex，然后使用
df[start_date : end_date]
使用布尔型掩码：
确保
df['date']是
dtype系列
datetime64[ns]：
df['date'] = pd.to_datetime(df['date'])
制作一个布尔型面具。
start_date并且end_date可以
datetime.datetimeS，
np.datetime64S，
pd.TimestampS，甚至日期时间字符串：
#greater than the start date and smaller than the end datemask = (df['date'] > start_date) & (df['date'] <= end_date)
选择子Dataframe：
df.loc[mask]
或重新分配给 df
df = df.loc[mask]
例如，
import numpy as npimport pandas as pddf = pd.Dataframe(np.random.random((200,3)))df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')mask = (df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')print(df.loc[mask])输出
0 1 2 date153 0.208875 0.727656 0.037787 2000-06-02154 0.750800 0.776498 0.237716 2000-06-03155 0.812008 0.127338 0.397240 2000-06-04156 0.639937 0.207359 0.533527 2000-06-05157 0.416998 0.845658 0.872826 2000-06-06158 0.440069 0.338690 0.847545 2000-06-07159 0.202354 0.624833 0.740254 2000-06-08160 0.465746 0.080888 0.155452 2000-06-09161 0.858232 0.190321 0.432574 2000-06-10
使用DatetimeIndex：
如果你打算按日期进行很多选择，则将·首先设置为索引可能会更快 。然后，你可以使用按日期选择行 ·。
import numpy as npimport pandas as pddf = pd.Dataframe(np.random.random((200,3)))df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')df = df.set_index(['date'])print(df.loc['2000-6-1':'2000-6-10'])输出：
0 1 2date 2000-06-01 0.040457 0.326594 0.492136 # <- includes start_date2000-06-02 0.279323 0.877446 0.4645232000-06-03 0.328068 0.837669 0.6085592000-06-04 0.107959 0.678297 0.5174352000-06-05 0.131555 0.418380 0.0257252000-06-06 0.999961 0.619517 0.2061082000-06-07 0.129270 0.024533 0.1547692000-06-08 0.441010 0.741781 0.4704022000-06-09 0.682101 0.375660 0.0099162000-06-10 0.754488 0.352293 0.339337
相反，虽然Python列表索引（例如seq[start:end]包括start但不包括），但endPandas 如果在索引中，则在结果中df.loc[start_date : end_date]包括两个端点。但是，既不是start_date也不end_date是必须包含在索引中。
还要注意，
pd.read_csv该
parse_dates参数具有可用于将date列解析为
datetime64s的参数。因此，如果使用
parse_dates，则无需使用
df['date'] = pd.to_datetime(df['date'])。
