使用索引从DataFrame中选择的示例：

from numpy.random import randn
from pandas import DataFrame
from datetime import timedelta as td
import dateutil.parser

d = dateutil.parser.parse("2014-01-01")
df = DataFrame(randn(6,2), columns=list('AB'), index=[d + td(days=x) for x in range(1,7)])

In [1]: df
Out[1]:
                   A         B
2014-01-02 -1.172285  1.706200
2014-01-03  0.039511 -0.320798
2014-01-04 -0.192179 -0.539397
2014-01-05 -0.475917 -0.280055
2014-01-06  0.163376  1.124602
2014-01-07 -2.477812  0.656750

In [2]: df[df.index > dateutil.parser.parse("2014-01-04")]
Out[2]:
                   A         B
2014-01-05 -0.475917 -0.280055
2014-01-06  0.163376  1.124602
2014-01-07 -2.477812  0.656750

现有答案是正确的，但是如果我们基于索引进行选择，the second method from here会更快：

# Set index
df = df.set_index(df['date'])

# Select observations between two datetimes
df.loc[pd.Timestamp('2002-1-1 01:00:00'):pd.Timestamp('2002-1-1 04:00:00')]

或者，您可以使用query：

In [14]: df = pd.DataFrame(
    ...:     {'alpha': list('ABCDE'), 'num': range(5)},
    ...:     index=pd.date_range('2022-06-30', '2022-07-04'),
    ...: )

In [15]: df
Out[15]: 
           alpha  num
2022-06-30     A    0
2022-07-01     B    1
2022-07-02     C    2
2022-07-03     D    3
2022-07-04     E    4

In [16]: df.query('index >= "2022-07-02"')
Out[16]: 
           alpha  num
2022-07-02     C    2
2022-07-03     D    3
2022-07-04     E    4

将ntg和Datageek的答案结合起来，以解决每个答案的问题。使用dateutil需要额外的导入。loc方法在技术上是不正确的，因为如果不手动增加时间戳，它就无法定义“大于”关系，这在处理纳秒范围内的时间时可能会令人担忧。
因此，将这两种方法结合起来是最佳解决方案IMO：

In [5]: df = pd.DataFrame(
   ...:     ...:     {'alpha': list('ABCDE'), 'num': range(5)},
   ...:     ...:     index=pd.date_range('2022-06-30', '2022-07-04'),
   ...:     ...: )

In [6]: df
Out[6]: 
           alpha  num
2022-06-30     A    0
2022-07-01     B    1
2022-07-02     C    2
2022-07-03     D    3
2022-07-04     E    4

In [7]: df[df.index > pd.Timestamp('2022-06-30')]
Out[7]: 
           alpha  num
2022-07-01     B    1
2022-07-02     C    2
2022-07-03     D    3
2022-07-04     E    4