[英]Select DataFrame rows between two dates
我正在从 csv 创建一个 DataFrame,如下所示:
stock = pd.read_csv('data_in/' + filename + '.csv', skipinitialspace=True)
DataFrame 有一个日期列。 有没有办法创建一个新的 DataFrame (或只是覆盖现有的),它只包含日期值在指定日期范围内或两个指定日期值之间的行?
有两种可能的解决方案:
df.loc[mask]
df[start_date : end_date]
使用布尔掩码:
确保df['date']
是具有 dtype datetime64[ns]
的系列:
df['date'] = pd.to_datetime(df['date'])
制作一个布尔掩码。 start_date
和end_date
可以是datetime.datetime
s、 np.datetime64
s、 pd.Timestamp
s,甚至是 datetime 字符串:
#greater than the start date and smaller than the end date
mask = (df['date'] > start_date) & (df['date'] <= end_date)
选择子数据框:
df.loc[mask]
或重新分配给df
df = df.loc[mask]
例如,
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])
产量
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
使用DatetimeIndex :
如果您要按日期进行大量选择,则首先将date
列设置为索引可能会更快。 然后您可以使用df.loc[start_date:end_date]
按日期选择行。
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'])
产量
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
虽然 Python 列表索引,例如seq[start:end]
包括start
但不包括end
,但相比之下,Pandas df.loc[start_date : end_date]
如果两个端点都在索引中,则在结果中包括它们。 然而start_date
和end_date
都不必在索引中。
另请注意, pd.read_csv
有一个parse_dates
参数,您可以使用该参数将date
列解析为datetime64
。 因此,如果您使用parse_dates
,则不需要使用df['date'] = pd.to_datetime(df['date'])
。
我觉得最好的选择是使用直接检查而不是使用 loc 函数:
df = df[(df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')]
这个对我有用。
带有切片的 loc 函数的主要问题是限制应该存在于实际值中,否则将导致 KeyError。
您还可以between
使用:
df[df.some_date.between(start_date, end_date)]
您可以像这样在date
列上使用isin
方法df[df["date"].isin(pd.date_range(start_date, end_date))]
注意:这仅适用于日期(如问题所要求的那样)而不是时间戳。
例子:
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
这使
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
保持解决方案简单和pythonic,我建议你试试这个。
如果您要经常这样做,最好的解决方案是首先将日期列设置为索引,这将转换 DateTimeIndex 中的列并使用以下条件来分割任何日期范围。
import pandas as pd
data_frame = data_frame.set_index('date')
df = data_frame[(data_frame.index > '2017-08-10') & (data_frame.index <= '2017-08-15')]
pandas
0.22 有一个between()
函数。 使回答这个问题更容易和更易读的代码。
# create a single column DataFrame with dates going from Jan 1st 2018 to Jan 1st 2019
df = pd.DataFrame({'dates':pd.date_range('2018-01-01','2019-01-01')})
假设您想获取 2018 年 11 月 27 日到 2019 年 1 月 15 日之间的日期:
# use the between statement to get a boolean mask
df['dates'].between('2018-11-27','2019-01-15', inclusive=False)
0 False
1 False
2 False
3 False
4 False
# you can pass this boolean mask straight to loc
df.loc[df['dates'].between('2018-11-27','2019-01-15', inclusive=False)]
dates
331 2018-11-28
332 2018-11-29
333 2018-11-30
334 2018-12-01
335 2018-12-02
注意inclusive
论点。 当您想明确说明您的范围时非常有用。 请注意,当设置为 True 时,我们也会返回 2018 年 11 月 27 日:
df.loc[df['dates'].between('2018-11-27','2019-01-15', inclusive=True)]
dates
330 2018-11-27
331 2018-11-28
332 2018-11-29
333 2018-11-30
334 2018-12-01
这个方法也比前面提到的isin
方法快:
%%timeit -n 5
df.loc[df['dates'].between('2018-11-27','2019-01-15', inclusive=True)]
868 µs ± 164 µs per loop (mean ± std. dev. of 7 runs, 5 loops each)
%%timeit -n 5
df.loc[df['dates'].isin(pd.date_range('2018-01-01','2019-01-01'))]
1.53 ms ± 305 µs per loop (mean ± std. dev. of 7 runs, 5 loops each)
但是,它并不比 unutbu 提供的当前接受的答案快,前提是已经创建了掩码。 但是如果掩码是动态的并且需要一遍又一遍地重新分配,我的方法可能更有效:
# already create the mask THEN time the function
start_date = dt.datetime(2018,11,27)
end_date = dt.datetime(2019,1,15)
mask = (df['dates'] > start_date) & (df['dates'] <= end_date)
%%timeit -n 5
df.loc[mask]
191 µs ± 28.5 µs per loop (mean ± std. dev. of 7 runs, 5 loops each)
另一种选择,如何实现这一点,是使用pandas.DataFrame.query()
方法。 让我向您展示以下名为df
的数据框的示例。
>>> df = pd.DataFrame(np.random.random((5, 1)), columns=['col_1'])
>>> df['date'] = pd.date_range('2020-1-1', periods=5, freq='D')
>>> print(df)
col_1 date
0 0.015198 2020-01-01
1 0.638600 2020-01-02
2 0.348485 2020-01-03
3 0.247583 2020-01-04
4 0.581835 2020-01-05
作为参数,使用如下过滤条件:
>>> start_date, end_date = '2020-01-02', '2020-01-04'
>>> print(df.query('date >= @start_date and date <= @end_date'))
col_1 date
1 0.244104 2020-01-02
2 0.374775 2020-01-03
3 0.510053 2020-01-04
如果您不想包含边界,只需更改条件,如下所示:
>>> print(df.query('date > @start_date and date < @end_date'))
col_1 date
2 0.374775 2020-01-03
我不想改变df
。
一个选项是检索start
日期和end
日期的index
:
import numpy as np
import pandas as pd
#Dummy DataFrame
df = pd.DataFrame(np.random.random((30, 3)))
df['date'] = pd.date_range('2017-1-1', periods=30, freq='D')
#Get the index of the start and end dates respectively
start = df[df['date']=='2017-01-07'].index[0]
end = df[df['date']=='2017-01-14'].index[0]
#Show the sliced df (from 2017-01-07 to 2017-01-14)
df.loc[start:end]
这导致:
0 1 2 date
6 0.5 0.8 0.8 2017-01-07
7 0.0 0.7 0.3 2017-01-08
8 0.8 0.9 0.0 2017-01-09
9 0.0 0.2 1.0 2017-01-10
10 0.6 0.1 0.9 2017-01-11
11 0.5 0.3 0.9 2017-01-12
12 0.5 0.4 0.3 2017-01-13
13 0.4 0.9 0.9 2017-01-14
强烈建议将日期列转换为索引。 这样做会提供很多便利。 一种是 select 两个日期之间的行很容易,你可以看到这个例子:
import numpy as np
import pandas as pd
# Dataframe with monthly data between 2016 - 2020
df = pd.DataFrame(np.random.random((60, 3)))
df['date'] = pd.date_range('2016-1-1', periods=60, freq='M')
对于 select 之间的行2017-01-01
和2019-01-01
,您只需将date
列转换为index
:
df.set_index('date', inplace=True)
然后只切片:
df.loc['2017':'2019']
您可以 select 将日期列作为索引,同时直接读取 csv 文件而不是df.set_index()
:
df = pd.read_csv('file_name.csv',index_col='date')
你可以用 pd.date_range() 和 Timestamp 来做。 假设您使用 parse_dates 选项读取了包含日期列的 csv 文件:
df = pd.read_csv('my_file.csv', parse_dates=['my_date_col'])
然后你可以定义一个日期范围索引:
rge = pd.date_range(end='15/6/2020', periods=2)
然后借助地图按日期过滤您的值:
df.loc[df['my_date_col'].map(lambda row: row.date() in rge)]
灵感来自 unutbu
print(df.dtypes) #Make sure the format is 'object'. Rerunning this after index will not show values.
columnName = 'YourColumnName'
df[columnName+'index'] = df[columnName] #Create a new column for index
df.set_index(columnName+'index', inplace=True) #To build index on the timestamp/dates
df.loc['2020-09-03 01:00':'2020-09-06'] #Select range from the index. This is your new Dataframe.
您可以使用方法truncate :
dates = pd.date_range('2016-01-01', '2016-01-06', freq='d')
df = pd.DataFrame(index=dates, data={'A': 1})
A
2016-01-01 1
2016-01-02 1
2016-01-03 1
2016-01-04 1
2016-01-05 1
2016-01-06 1
选择两个日期之间的数据:
df.truncate(before=pd.Timestamp('2016-01-02'),
after=pd.Timestamp('2016-01-4'))
输出:
A
2016-01-02 1
2016-01-03 1
2016-01-04 1
import pandas as pd
technologies = ({
'Courses':["Spark","PySpark","Hadoop","Python","Pandas","Hadoop","Spark"],
'Fee' :[22000,25000,23000,24000,26000,25000,25000],
'Duration':['30days','50days','55days','40days','60days','35days','55days'],
'Discount':[1000,2300,1000,1200,2500,1300,1400],
'InsertedDates':["2021-11-14","2021-11-15","2021-11-16","2021-11-17","2021-11-18","2021-11-19","2021-11-20"]
})
df = pd.DataFrame(technologies)
print(df)
mask = (df['InsertedDates'] > start_date) & (df['InsertedDates'] <= end_date)
df2 = df.loc[mask]
print(df2)
start_date = '2021-11-15'
end_date = '2021-11-19'
after_start_date = df["InsertedDates"] >= start_date
before_end_date = df["InsertedDates"] <= end_date
between_two_dates = after_start_date & before_end_date
df2 = df.loc[between_two_dates]
print(df2)
start_date = '2021-11-15'
end_date = '2021-11-18'
df2 = df.query('InsertedDates >= @start_date and InsertedDates <= @end_date')
print(df2)
start_date = '2021-11-15'
end_date = '2021-11-18'
df2 = df.query('InsertedDates > @start_date and InsertedDates < @end_date')
print(df2)
df2 = df.loc[df["InsertedDates"].between("2021-11-16", "2021-11-18")]
print(df2)
df2 = df[df["InsertedDates"].isin(pd.date_range("2021-11-15", "2021-11-17"))]
print(df2)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.