选择两个日期之间的数据帧行

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。是否有一种方法可以创建一个新的DataFrame(或者只是覆盖现有的DataFrame)，它只包含日期值落在指定日期范围内或两个指定日期值之间的行?

783186 次浏览
小开
最佳答案

有两种可能的解决方案:

  • 使用布尔掩码，然后使用df.loc[mask]
  • 将date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dtype datetime64[ns]的系列:

df['date'] = pd.to_datetime(df['date'])

创建一个布尔掩码。start_date和end_date可以是__abc2， np.datetime64s， pd.Timestamps，甚至datetime字符串:

#greater than the start date and smaller than the end date
mask = (df['date'] > start_date) & (df['date'] <= end_date)

选择子数据帧:

df.loc[mask]

或重新赋值给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])

收益率

            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:

如果你要按日期做很多选择，它可能更快地设置 date列首先作为索引。然后可以使用按日期选择行 df.loc[start_date:end_date] . < / p > 

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'])

收益率

                   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

而Python列表索引，例如seq[start:end]包含start但不包含end，相反，Pandas df.loc[start_date : end_date]包含这两个端点，如果它们在索引中。然而，start_date和end_date都不需要在索引中。

还要注意，你可以使用__ABC0有一个parse_dates形参将date列解析为datetime64s。因此，如果你使用parse_dates，你就不需要使用df['date'] = pd.to_datetime(df['date'])。

小开

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')]

这对我很管用。

使用切片的loc函数的主要问题是限制应该出现在实际值中，否则将导致KeyError。

小开
你可以像这样在date列上使用isin方法 df[df["date"].isin(pd.date_range(start_date, end_date))] < / p >

注意:这只适用于日期(正如问题所问的)，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

这给了

           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
小开

为了保持解决方案的简单和python性，我建议您尝试一下。

在这种情况下，如果你要经常这样做，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，并使用以下条件切片任何范围的日期。

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')]
小开

我宁愿不改变df。

一个选项是检索start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]

结果是:

     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
小开

你也可以使用between:

df[df.some_date.between(start_date, end_date)]
小开

pandas 0.22有一个between()函数。 使回答这个问题更容易和更可读的代码 

# 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')})

假设你想获取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inclusive参数。当你想明确你的范围时，非常很有用。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)

然而，只有当掩码为已经创建时，它才比当前接受的unutbu提供的答案快不。但如果掩码是动态的，需要一遍又一遍地重新分配，我的方法五月会更有效:

# 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)
小开

另一种方法是使用pandas.DataFrame.query()方法。让我给你看一个关于下面的数据帧df的例子。

>>> 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，使用条件进行过滤，如下所示:

>>> 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

如果你不想包含边界，只需要像下面这样改变条件:

>>> print(df.query('date > @start_date and date < @end_date'))
col_1       date
2  0.374775 2020-01-03
小开

你可以用pd.date_range()和Timestamp来做。 假设您已经使用parse_dates选项读取了一个带有日期列的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)

然后通过地图根据日期过滤你的值:

df.loc[df['my_date_col'].map(lambda row: row.date() in rge)]
小开

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.
小开

你可以使用截断方法:

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
小开

这样做会给你很多便利。一个是很容易选择两个日期之间的行，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')

要选择2017-01-01和2019-01-01之间的行，只需要将date列转换为index:

df.set_index('date', inplace=True)

然后是切片:

df.loc['2017':'2019']

在直接读取csv文件时，可以选择date列作为索引，而不是df.set_index():

df = pd.read_csv('file_name.csv',index_col='date')
小开 
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)

使用pandas.DataFrame.loc按日期过滤行

方法1:

    mask = (df['InsertedDates'] > start_date) & (df['InsertedDates'] <= end_date)


df2 = df.loc[mask]
print(df2)

方法2:

    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)

使用pandas.DataFrame.query()选择数据帧行

start_date = '2021-11-15'
end_date   = '2021-11-18'
df2 = df.query('InsertedDates >= @start_date and InsertedDates <= @end_date')
print(df2)

使用datafframe .query()选择两个日期之间的行

start_date = '2021-11-15'
end_date = '2021-11-18'
df2 = df.query('InsertedDates > @start_date and InsertedDates < @end_date')
print(df2)

pandas.Series.between()函数使用两个日期

df2 = df.loc[df["InsertedDates"].between("2021-11-16", "2021-11-18")]
print(df2)

使用DataFrame.isin()在两个日期之间选择数据帧行

df2 = df[df["InsertedDates"].isin(pd.date_range("2021-11-15", "2021-11-17"))]
print(df2)

提交答案