如果你的日期是通过导入datetime包来标准化的，你可以简单地使用:

df[(df['date']>datetime.date(2016,1,1)) & (df['date']<datetime.date(2016,3,1))]  

使用datetime包来标准化你的日期字符串，你可以使用这个函数:

import datetime
datetime.datetime.strptime

# 60 days from today
after_60d = pd.to_datetime('today').date() + datetime.timedelta(days=60)
# filter date col less than 60 days date
df[df['date_col'] < after_60d]

我还不允许写评论，所以我会写一个答案，如果有人读了所有的评论，并找到了这个。

如果数据集的索引是一个日期时间，并且您想仅通过(例如)月份过滤它，您可以执行以下操作:

df.loc[df.index.month == 3]

它将在3月份为您过滤数据集。

如果您已经使用pd将字符串转换为日期格式。To_datetime你可以使用:

df = df [(df[日期]>”2018-01-01”)及(df[日期]<”2019-07-01”)

在pandas版本1.1.3中，我遇到了基于python datetime的索引降序排列的情况。在这种情况下

df.loc['2021-08-01':'2021-08-31']

返回空的。而

df.loc['2021-08-31':'2021-08-01']

返回预期的数据。

因此，在加载csv数据文件时，我们需要将日期列设置为索引，如下所示，以便根据日期范围筛选数据。现在已弃用的方法:pd.DataFrame.from_csv()不需要这样做。

如果您只想显示1月至2月两个月的数据，例如2020-01-01至2020-02-29，您可以这样做:

import pandas as pd
mydata = pd.read_csv('mydata.csv',index_col='date') # or its index number, e.g. index_col=[0]
mydata['2020-01-01':'2020-02-29'] # will pull all the columns
#if just need one column, e.g. Cost, can be done:
mydata['2020-01-01':'2020-02-29','Cost'] 

这已经在Python 3.7中进行了测试。希望这对你有用。