Vytváram DataFrame z csv takto:
stock = pd.read_csv('data_in/' + filename + '.csv', skipinitialspace=True)
DataFrame má stĺpec s dátumom. Existuje spôsob, ako vytvoriť nový DataFrame (alebo len prepísať existujúci), ktorý by obsahoval len riadky s hodnotami dátumu, ktoré spadajú do zadaného rozsahu dátumu alebo medzi dve zadané hodnoty dátumu?
Existujú dve možné riešenia:
df.loc[mask]
df[start_date : end_date]
Použitie logickej masky:
Uistite sa, že df['date']
je Series s dtype datetime64[ns]
:
df['date'] = pd.to_datetime(df['date'])
Vytvorte logickú masku. dátum_začiatku
a dátum_konca
môžu byť datetime.datetime
,
np.datetime64
s, pd.Timestamp
s alebo dokonca reťazce datetime:
#greater than the start date and smaller than the end date
mask = (df['date'] > start_date) & (df['date'] <= end_date)
Vyberte sub-DataFrame:
df.loc[mask]
alebo opätovne priraďte k df
df = df.loc[mask]
Napríklad,
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.random((200,3)))
df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')
mask = (df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')
print(df.loc[mask])
dáva
0 1 2 date
153 0.208875 0.727656 0.037787 2000-06-02
154 0.750800 0.776498 0.237716 2000-06-03
155 0.812008 0.127338 0.397240 2000-06-04
156 0.639937 0.207359 0.533527 2000-06-05
157 0.416998 0.845658 0.872826 2000-06-06
158 0.440069 0.338690 0.847545 2000-06-07
159 0.202354 0.624833 0.740254 2000-06-08
160 0.465746 0.080888 0.155452 2000-06-09
161 0.858232 0.190321 0.432574 2000-06-10
Použitie DatetimeIndex:
Ak sa chystáte vykonávať veľa výberov podľa dátumu, môže byť rýchlejšie nastaviť
date
stĺpec ako prvý index. Potom môžete vyberať riadky podľa dátumu pomocou
df.loc[start_date:end_date]
.
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.random((200,3)))
df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')
df = df.set_index(['date'])
print(df.loc['2000-6-1':'2000-6-10'])
dáva
0 1 2
date
2000-06-01 0.040457 0.326594 0.492136 # <- includes start_date
2000-06-02 0.279323 0.877446 0.464523
2000-06-03 0.328068 0.837669 0.608559
2000-06-04 0.107959 0.678297 0.517435
2000-06-05 0.131555 0.418380 0.025725
2000-06-06 0.999961 0.619517 0.206108
2000-06-07 0.129270 0.024533 0.154769
2000-06-08 0.441010 0.741781 0.470402
2000-06-09 0.682101 0.375660 0.009916
2000-06-10 0.754488 0.352293 0.339337
Zatiaľ čo indexovanie zoznamu v Pythone, napr. seq[start:end]
zahŕňa start
, ale nie end
, Pandas df.loc[start_date : end_date]
naopak zahŕňa obidva koncové body vo výsledku, ak sú v indexe. Ani start_date
, ani end_date
však nemusia byť v indexe.
Všimnite si tiež, že pd.read_csv
má parameter parse_dates
, ktorý môžete použiť na rozbor stĺpca date
ako datetime64
. Ak teda použijete parse_dates
, nebudete musieť použiť df['date'] = pd.to_datetime(df['date'])
.
Mám pocit, že najlepšou možnosťou bude použiť priame kontroly namiesto použitia funkcie loc:
df = df[(df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')]
Mne to funguje.
Hlavný problém s funkciou loc slice je, že limity by mali byť prítomné v skutočných hodnotách, ak nie, spôsobí to KeyError.
Metódu isin
môžete použiť na stĺpec date
takto
df[df["date"].isin(pd.date_range(start_date, end_date))]
Poznámka: Toto funguje len s dátumami (ako sa pýta otázka) a nie s časovými značkami.
Príklad:
import numpy as np
import pandas as pd
# Make a DataFrame with dates and random numbers
df = pd.DataFrame(np.random.random((30, 3)))
df['date'] = pd.date_range('2017-1-1', periods=30, freq='D')
# Select the rows between two dates
in_range_df = df[df["date"].isin(pd.date_range("2017-01-15", "2017-01-20"))]
print(in_range_df) # print result
čo dáva
0 1 2 date
14 0.960974 0.144271 0.839593 2017-01-15
15 0.814376 0.723757 0.047840 2017-01-16
16 0.911854 0.123130 0.120995 2017-01-17
17 0.505804 0.416935 0.928514 2017-01-18
18 0.204869 0.708258 0.170792 2017-01-19
19 0.014389 0.214510 0.045201 2017-01-20