选择两个日期之间的DataFrame行

时间:2015-03-31 13:38:07

标签: python pandas

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?

10 个答案:

答案 0 :(得分:289)

有两种可能的解决方案:

  • 使用布尔掩码,然后使用df.loc[mask]
  • 将日期列设置为DatetimeIndex,然后使用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_dateend_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_dateend_date都不能在索引中。


另请注意,您可以使用pd.read_csv has a parse_dates parameterdate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indexstart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pandas0.22.0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"