loc按年切片需索引为DatetimeIndex且频率匹配：'2023'对日/月频有效，但freq为None时会报KeyError；按月应用'2023-01'而非'2023-01-01'；跨年范围用'2022-06':'2023-02'闭区间；失效时回退df.index.year布尔索引。
用 loc 按年切片时，字符串写法必须匹配 DatetimeIndex 频率
直接写 df.loc['2023'] 能切出全年数据，但前提是索引是 DatetimeIndex 且频率为日级或更细（如 freq='D'、'H'）。如果索引是月度频率（freq='M'），'2023' 仍有效；但若索引含不规则时间点（如从 CSV 读入未设频率），loc['2023'] 可能报 KeyError。
实操建议：
- 先确认索引类型：
isinstance(df.index, pd.DatetimeIndex)，再看df.index.freq是否为None - 若
freq为None，可强制转为日频（不影响数据）：df.index = pd.to_datetime(df.index) - 避免用
iloc替代——它按位置切，和年份语义无关
按月切片要小心 '2023-01' 和 '2023-01-01' 的区别
df.loc['2023-01'] 是标准写法，Pandas 会自动匹配整个月（无论索引是日频还是月频）；而 df.loc['2023-01-01'] 只匹配单日，若索引无该日（比如只有每月最后一天），就会报 KeyError 或返回空。
常见错误现象：
立即学习“Python免费学习笔记（深入）”；
- 写
df.loc['2023-1']（少补零）→ 报KeyError: '2023-1' - 索引是
PeriodIndex却用DatetimeIndex写法 → 不报错但结果为空 - 用
df[df.index.month == 1]替代切片 → 可行，但性能差，尤其大数据量时比loc慢数倍
跨年跨月范围切片优先用闭区间字符串，别用 slice()
df.loc['2022-06':'2023-02'] 是最简洁可靠的写法，Pandas 自动处理起止边界（包含首尾日期/月份）。不要写成 df.loc[slice('2022-06', '2023-02')]——多此一举，且易因 slice 对象误用导致索引对齐失败。
使用场景注意点：
- 起止字符串格式需一致：都用
'YYYY-MM'或都用'YYYY-MM-DD'，混用可能截断或报错 - 若起始早于索引最小值，Pandas 自动从第一个有效点开始；结束晚于最大值也同理
- 对高频数据（如秒级），
'2023-01'仍有效，但底层会扫描整个 1 月范围，不是 O(1) 查找
当 loc 失效时，回退到布尔索引 + dt 访问器
遇到索引非标准 DatetimeIndex（比如含 NaT、时区混杂、或从 HDF5 加载后丢失 dtype），loc 字符串切片大概率失效。这时用 df[df.index.year == 2023] 或 df[(df.index.year == 2023) & (df.index.month == 5)] 更鲁棒。
性能与兼容性权衡：
-
df.index.year返回Int64Index，支持所有DatetimeIndex子类（包括PeriodIndex经.to_timestamp()转换后） - 注意
df.index.dt.year才是正确写法（dt是访问器），漏掉.dt会报AttributeError - 布尔索引在超大数据集上内存开销略高，但胜在确定性——不依赖索引频率推断逻辑
NaT，df.index.freq 就会变成 None，进而让所有字符串切片行为变得不可预测。动手前先跑一遍 df.index.isna().sum() 和 df.index.freq。 
