pd.date_range()是生成连续日期的首选方法，支持freq参数指定间隔（如'D'、'MS'、'BMS'），需注意默认为每日、节假日需用CustomBusinessDay，混合频率需拼接去重，单日判断应避免生成全序列。
用 pd.date_range() 生成连续日期最直接
只要需要等间隔的日期（比如每天、每月第一天），pd.date_range() 是首选。它底层调用 NumPy 的 arange 逻辑，比手动循环或列表推导快得多，且自动处理闰年、月末、时区等边界。
关键参数不是只有 start 和 end：如果只给这两个，它默认按天步进；但若想生成每月第一个工作日，得加 freq='MS'（Month Start）或 freq='BMS'（Business Month Start）。漏掉 freq 容易误以为生成了月度序列，实际出来的是每日序列。
常见错误：pd.date_range('2023-01', '2023-12') 看似想取全年每月初，结果却是从 2023-01-01 到 2023-12-01 每天一条——因为没指定 freq，默认是 'D'。
正确写法示例：
立即学习“Python免费学习笔记（深入）”；
pd.date_range('2023-01-01', '2023-12-31', freq='MS') # 每月1号
pd.date_range('2023-01-01', periods=12, freq='M') # 最后一天，共12个要包含节假日或自定义非交易日？得用 CustomBusinessDay
标准 freq='B'（Business Day）只排除周末，不识别中国/美国节假日。如果业务要求跳过春节、国庆这类日期，必须自己构造日历。
做法是先定义节假日列表，再传给 CustomBusinessDay：
- 节假日必须是
datetime.date或字符串（如'2023-01-22'），不能是Timestamp -
holidays参数只接受列表，不支持 DataFrame 或 Series - 生成的序列长度可能比预期少——比如你设
periods=10，但期间撞上 3 个自定义假日，最终只返回 7 个日期
示例：
from pandas.tseries.offsets import CustomBusinessDay
hols = ['2023-01-22', '2023-01-23', '2023-01-24']
cbd = CustomBusinessDay(holidays=hols)
pd.date_range('2023-01-20', periods=5, freq=cbd)生成不规则日期（比如每月第15天 + 季度末）得拼接再去重
pd.date_range() 不支持“混合频率”，比如既要每月15号，又要每季度最后一天。这时候不能硬塞多个 freq，得分开生成再合并。
注意点：
- 用
pd.concat([ser1, ser2])后必须跟.drop_duplicates().sort_values()，否则顺序乱、有重复 - 不同序列的 dtype 要一致——都是
datetime64[ns]，否则concat会转成 object，后续无法做时间运算 - 如果量大（比如跨 10 年），避免用
+拼 list，用pd.DatetimeIndex构造更省内存
小规模示意：
mid_month = pd.date_range('2023-01-15', '2023-12-15', freq='MS') + pd.offsets.Day(14)
quarter_end = pd.date_range('2023-01-01', '2023-12-31', freq='Q')
all_dates = pd.DatetimeIndex(pd.concat([mid_month, quarter_end]).drop_duplicates().sort_values())性能敏感场景：别用 pd.date_range() 做单日判断
如果只是检查某个日期是否在某范围内（比如“2023-05-20 是否在活动期内”），不要生成整个序列再用 in 判断——内存和时间都浪费。直接比较时间戳更高效：
# ❌ 慢且占内存
dates = pd.date_range('2023-01-01', '2023-12-31')
if pd.Timestamp('2023-05-20') in dates: ...
<h1>✅ 快，O(1)</h1><p>t = pd.Timestamp('2023-05-20')
if pd.Timestamp('2023-01-01') <= t <= pd.Timestamp('2023-12-31'): ...真正需要序列本身，才调用 date_range；仅做存在性判断或范围比较，绕开它。
高频生成时还要留意时区：带时区的 date_range（如 tz='Asia/Shanghai'）比无时区慢约 3–5 倍，如果业务不涉及时区转换，统一用 naive datetime 更稳。
