### 从指定的 DataFrame 中提取特定列和索引生成新的 DataFrame 在 Pandas 中，可以通过布尔索引、`loc` 或 `iloc` 方法来筛选数据，并基于特定条件生成新的 DataFrame。以下是实现方法的详细说明： #### 数据准备 首先创建一个包含时间索引的示例 DataFrame，并确保索引为 `datetime` 类型[^1]。 ```python import pandas as pd # 创建示例数据 data = { 'Date': ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04'], 'Value': [10, 20, 30, 40], 'Status': ['Active', 'Inactive', 'Active', 'Inactive'] } df = pd.DataFrame(data) # 将 Date 列转换为 datetime 类型，并设置为索引 df['Date'] = pd.to_datetime(df['Date']) df.set_index('Date', inplace=True) ``` #### 提取特定列和索引 通过 `loc` 方法可以同时指定行和列的条件，从而生成一个新的 DataFrame。 ```python # 定义时间范围 start_date = '2023-01-02' end_date = '2023-01-03' # 筛选时间和列 new_df = df.loc[(df.index >= start_date) & (df.index <= end_date), ['Value']] ``` #### 示例输出 假设原始数据如下： ```plaintext Value Status Date 2023-01-01 10 Active 2023-01-02 20 Inactive 2023-01-03 30 Active 2023-01-04 40 Inactive ``` 生成的新 DataFrame 如下： ```plaintext Value Date 2023-01-02 20 2023-01-03 30 ``` #### 处理更复杂的条件 如果需要根据多个条件筛选数据，可以使用逻辑运算符组合条件。例如，筛选出 `Status` 为 `'Active'` 且日期在指定范围内的数据[^2]。 ```python # 定义条件 condition = (df.index >= start_date) & (df.index <= end_date) & (df['Status'] == 'Active') # 筛选数据 filtered_df = df.loc[condition, ['Value']] ``` #### 创建新列或修改索引 在生成新的 DataFrame 后，可以根据需求添加新列或修改索引[^3]。 ```python # 添加新列 filtered_df['New_Column'] = filtered_df['Value'] * 2 # 修改索引 filtered_df.reset_index(inplace=True) filtered_df.set_index('New_Column', inplace=True) ``` #### 时间序列偏移操作 如果需要对时间序列进行偏移操作，可以使用 `shift` 方法。例如，将值向后移动两天[^4]。 ```python # 偏移操作 shifted_df = df.copy() shifted_df['Shifted_Value'] = shifted_df['Value'].shift(2) ```