Я створюю DataFrame з CSV наступним чином:
stock = pd.read_csv('data_in/' + filename + '.csv', skipinitialspace=True)У DataFrame є стовпець дати. Чи є спосіб створити новий DataFrame (або просто перезаписати існуючий), який містить лише рядки зі значеннями дати, які знаходяться у визначеному діапазоні дат або між двома вказаними значеннями дати?
Відповіді:
Є два можливі рішення:
df.loc[mask]df[start_date : end_date]Використання булевої маски :
Забезпечте df['date']серію з типом datetime64[ns]:
df['date'] = pd.to_datetime(df['date']) Зробіть булеву маску. start_dateі end_dateможуть бути рядки datetime.datetimes,
np.datetime64s, pd.Timestamps або навіть дати:
#greater than the start date and smaller than the end date
mask = (df['date'] > start_date) & (df['date'] <= end_date)
Виберіть субкадру даних:
df.loc[mask]або повторно призначити df
df = df.loc[mask]Наприклад,
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])
врожайність
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
Використання DatetimeIndex :
Якщо ви збираєтесь зробити багато виборів за датою, можливо, швидше встановити
dateстовпець як індекс спочатку. Потім ви можете вибрати рядки за датою, використовуючи
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'])
врожайність
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
Хоча індексація списку Python, наприклад, seq[start:end]включає, startале не є end, навпаки, Pandas df.loc[start_date : end_date]включає обидві кінцеві точки в результаті, якщо вони є в індексі. Проте start_dateні end_dateв індексі не повинно бути.
Також зауважте, що pd.read_csvє parse_datesпараметр, який ви можете використовувати для розбору dateстовпця як datetime64s. Таким чином, якщо ви користуєтесь parse_dates, вам не потрібно було б користуватися df['date'] = pd.to_datetime(df['date']).
df = df.set_index(['date'])кроку я виявив, що індекс також потрібно сортувати (через df.sort_index(inplace=True, ascending=True)), оскільки в іншому випадку ви можете отримати менше, ніж повний або навіть порожній результат DataFrame df.loc['2000-6-1':'2000-6-10']. І якщо ви використовуєте ascending=False, це взагалі не буде працювати, навіть якщо ви перейдете на ньогоdf.loc['2000-6-10':'2000-6-1']
Я вважаю, що найкращим варіантом буде використання прямих перевірок, а не використання локальної функції:
df = df[(df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')]Це працює для мене.
Основна проблема локальної функції з відрізком полягає в тому, що обмеження повинні бути присутні у фактичних значеннях, якщо ні, це призведе до KeyError.
locчудові. І мені здається, що як каже unutbu, однак ні start_date, ні end_date не повинні бути в індексі .
Ви також можете використовувати between:
df[df.some_date.between(start_date, end_date)]between_time: pandas.pydata.org/pandas-docs/version/0.20.3/generated/…
Ви можете використовувати isinметод у dateстовпці так
df[df["date"].isin(pd.date_range(start_date, end_date))]
Примітка. Це працює лише з датами (як задається питанням), а не з часовими позначками.
Приклад:
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
що дає
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
Зберігаючи рішення простим і пітонічним, я б запропонував вам спробувати це.
У випадку, якщо ви збираєтеся робити це часто, найкращим рішенням буде спочатку встановити стовпець дати як індекс, який перетворить стовпець у DateTimeIndex і використайте наступну умову, щоб нарізати будь-який діапазон дат.
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')]
З моїм тестуванням pandasверсії 0.22.0ви тепер зможете відповісти на це питання легше, читаючи код, просто скориставшись between.
# 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')})Скажімо, ви хочете захопити дати між 27 листопада 2018 року та 15 січня 2019 року:
# 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 2018-12-02Зверніть увагу на аргумент включно. дуже корисно, коли ви хочете чітко розповісти про свій асортимент. зверніть увагу, коли встановлено значення True, ми також повертаємося 27 листопада 2018 року:
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 2018-12-01Цей спосіб також швидший, ніж раніше згаданий isinметод:
%%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)Однак це не швидше, ніж прийнята на даний момент відповідь, надана unutbu, лише якщо маска вже створена . але якщо маска динамічна і її потрібно переставляти знову і знову, мій метод може бути більш ефективним:
# 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)Я вважаю за краще не змінювати df.
Опція - отримати indexдані startта endдати:
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]що призводить до:
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 2017-01-14Інший варіант, як цього досягти, - це за допомогою pandas.DataFrame.query()методу. Дозвольте показати приклад на наступному кадрі даних, який називається df.
>>> 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 2020-01-05В якості аргументу використовуйте умову для фільтрації так:
>>> 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 2020-01-04Якщо ви не хочете включати межі, просто змініть умову, наприклад:
>>> print(df.query('date > @start_date and date < @end_date'))
col_1 date
2 0.374775 2020-01-03