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DataFrame),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?
答案 0 :(得分:289)
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']
是一个dtype为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,甚至是日期时间字符串:
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,可能会更快设置
首先将date
列作为索引。然后,您可以使用日期选择行
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'])
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
,相比之下,如果Pandas df.loc[start_date : end_date]
位于索引中,则结果中包含两个端点。但是,start_date
和end_date
都不能在索引中。
另请注意,您可以使用pd.read_csv
has a parse_dates
parameter将date
列解析为datetime64
。因此,如果您使用parse_dates
,则无需使用df['date'] = pd.to_datetime(df['date'])
。
答案 1 :(得分:38)
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')]
它对我有用。
带切片的loc函数的主要问题是限制应该存在于实际值中,否则会导致KeyError。
答案 2 :(得分:18)
您可以像isin
列一样使用date
方法
df[df["date"].isin(pd.date_range(start_date, end_date))]
注意:这仅适用于日期(如问题所示)而非时间戳。
示例:
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
给出了
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
答案 3 :(得分:17)
您还可以使用between
:
df[df.some_date.between(start_date, end_date)]
答案 4 :(得分:5)
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,它将转换DateTimeIndex中的列,并使用以下条件来切割任何日期范围。
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')]
答案 5 :(得分:4)
另一个实现此目标的方法是使用pandas.DataFrame.query()
方法。让我为您介绍以下名为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,使用如下条件进行过滤:
>>> 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
答案 6 :(得分:2)
我不想改变df
。
选项是检索index
和start
日期的end
:
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]
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
答案 7 :(得分:1)
您可以使用pd.date_range()和Timestamp来实现。 假设您已经使用parse_dates选项读取了带有日期列的csv文件:
df = pd.read_csv('my_file.csv', parse_dates=['my_date_col'])
然后您可以定义日期范围索引:
rge = pd.date_range(end='15/6/2020', periods=2)
,然后借助地图按日期过滤值:
df.loc[df['my_date_col'].map(lambda row: row.date() in rge)]
答案 8 :(得分:0)
通过对pandas
版0.22.0
的测试,您现在可以通过使用between
来使用更具可读性的代码更轻松地回答此问题。
# 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日至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
注意包含参数。 非常有助于明确显示范围。请注意,设置为True时,我们也将在2018年11月27日返回
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
此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,仅当已已创建掩码时,此命令不会比unutbu提供的当前接受的答案快。但是,如果遮罩是动态的,并且需要一遍又一遍地重新分配,我的方法 可能会更有效:
# 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)
答案 9 :(得分:0)
灵感来自unutbu
"Content-Type": "application/json"