如何使用 Pandas 在 CSV 文件中识别过去 10 天的数据行？

Question

我是 Python 新手，目前正在寻求以下方面的帮助：

如何使用 Pandas 在 CVS 文件中识别过去 10 天的数据行？ 我在 CSV 文件中的第一列 (report_date) 有数据值 (yyyy-mm-dd) 我每天有数百条记录，但我只需要根据 report_date 列中的日期和理想情况从该文件中获取最后 10 天将输出保存到新的 CSV 文件。

到目前为止我的代码：

import pandas as pd

data = pd.read_csv("path/to/my/file/myfile.csv")    

df = pd.DataFrame(report_date) 

days=10    
cutoff_date = df["report_date"].dt.date.iloc[-1] - pd.Timedelta(days=days)

有人可以帮忙吗？ 提前致谢！

Answer 1

创建DatetimeIndex与第一index_col和parse_dates在参数read_csv ：

df = pd.read_csv("path/to/my/file/myfile.csv", 
                 index_col=['report_date'], 
                 parse_dates=['report_date'])   

然后可以使用DataFrame.last ：

df1 = df.last('10d')

最后通过DataFrame.to_csv保存到文件：

df1.to_csv('new.csv')

---

您的解决方案应该更改为在read_csv列转换为日期read_csv ：

df = pd.read_csv("path/to/my/file/myfile.csv", parse_dates=['report_date'])    

days=10    
cutoff_date = df["report_date"].dt.date.iloc[-1] - pd.Timedelta(days=days)

然后在boolean indexing按Series.dt.date比较日期：

df1 = df[df["report_date"].dt.date > cutoff_date]

最后通过DataFrame.to_csv保存到删除默认索引的DataFrame.to_csv ：

df1.to_csv('new.csv', index=False)

编辑：我相信你需要：

df = pd.DataFrame({'data': range(30)}, index= pd.date_range('2020-01-25', periods=30))  
print (df)
            data
2020-01-25     0
2020-01-26     1
2020-01-27     2
2020-01-28     3
2020-01-29     4
2020-01-30     5
2020-01-31     6
2020-02-01     7
2020-02-02     8
2020-02-03     9
2020-02-04    10
2020-02-05    11
2020-02-06    12
2020-02-07    13
2020-02-08    14
2020-02-09    15
2020-02-10    16
2020-02-11    17
2020-02-12    18
2020-02-13    19
2020-02-14    20
2020-02-15    21
2020-02-16    22
2020-02-17    23
2020-02-18    24
2020-02-19    25
2020-02-20    26
2020-02-21    27
2020-02-22    28
2020-02-23    29

---

today = pd.Timestamp('today').floor('d')
df1 = df[df.index > today].first('10d')
print (df1)
            data
2020-02-11    17
2020-02-12    18
2020-02-13    19
2020-02-14    20
2020-02-15    21
2020-02-16    22
2020-02-17    23
2020-02-18    24
2020-02-19    25
2020-02-20    26