Wybierz wiersze DataFrame między dwiema datami

Tworzę DataFrame z csv w następujący sposób:

stock = pd.read_csv('data_in/' + filename + '.csv', skipinitialspace=True)

DataFrame ma kolumnę daty. Czy istnieje sposób na utworzenie nowej DataFrame (lub po prostu zastąpienie istniejącej), która zawiera tylko wiersze z wartościami dat mieszczącymi się w określonym zakresie dat lub między dwiema określonymi wartościami dat?

Istnieją dwa możliwe rozwiązania:

• Użyj maski logicznej, a następnie użyj df.loc[mask]
• Ustaw kolumnę daty jako DatetimeIndex, a następnie użyj df[start_date : end_date]

Za pomocą maski logicznej :

Upewnij się, że df['date']jest to seria z typem datetime64[ns]:

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

Zrób maskę logiczną. start_datei end_datemoże być datetime.datetimeS, np.datetime64S, pd.TimestampS lub nawet datetime ciągi:

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

Wybierz pod-ramkę danych:

df.loc[mask]

lub ponownie przypisać do df

df = df.loc[mask]

Na przykład,

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])

daje

            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

Korzystanie z DatetimeIndex :

Jeśli zamierzasz dokonać wielu wyborów według daty, może być szybciej ustawić datekolumnę jako indeks jako pierwszy. Następnie możesz wybrać wiersze według daty za pomocą 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'])

daje

                   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

Podczas gdy indeksowanie list w Pythonie, np. seq[start:end]Obejmuje, startale nie end, Pandas df.loc[start_date : end_date]uwzględnia oba punkty końcowe w wyniku, jeśli są w indeksie. Jednak ani start_datenie end_datemusi być w indeksie.

Zauważ też, że pd.read_csvma parse_datesparametr, którego można użyć do parsowania datekolumny jako datetime64s. Tak więc, jeśli użyjesz parse_dates, nie będziesz musiał używać df['date'] = pd.to_datetime(df['date']).

Wydaje mi się, że najlepszą opcją będzie użycie kontroli bezpośrednich zamiast funkcji loc:

df = df[(df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')]

Mi to pasuje.

Głównym problemem związanym z funkcją loc z wycinkiem jest to, że limity powinny występować w rzeczywistych wartościach, jeśli nie, spowoduje to KeyError.

Możesz także użyć between:

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

Możesz użyć isinmetody z datekolumny w ten sposób df[df["date"].isin(pd.date_range(start_date, end_date))]

Uwaga: Działa to tylko z datami (zgodnie z pytaniem), a nie ze znacznikami czasu.

Przykład:

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

co daje

           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

Ponieważ rozwiązanie jest proste i pytoniczne, sugeruję wypróbowanie tego.

W przypadku, gdy zamierzasz to robić często najlepszym rozwiązaniem byłoby najpierw ustawić kolumnę daty jako indeks, który przekształci kolumnę w DateTimeIndex i użyje następującego warunku do wycięcia dowolnego zakresu dat.

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')]

Dzięki mojemu testowaniu pandaswersji 0.22.0możesz teraz łatwiej odpowiedzieć na to pytanie za pomocą bardziej czytelnego kodu, po prostu używając 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')})

Załóżmy, że chcesz pobrać daty między 27 listopada 2018 r. A 15 stycznia 2019 r .:

# 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

Zwróć uwagę na argument włącznie. bardzo pomocne, gdy chcesz wyrazić swoje zdanie na temat swojego zasięgu. zauważ, gdy ustawiony na True, zwracamy również 27 listopada 2018 r .:

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

Ta metoda jest również szybsza niż poprzednio wspomniana isinmetoda:

%%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)

Nie jest to jednak szybsze niż obecnie akceptowana odpowiedź dostarczona przez unutbu, tylko jeśli maska ​​jest już utworzona . ale jeśli maska ​​jest dynamiczna i wymaga ciągłego ponownego przypisywania, moja metoda może być bardziej wydajna:

# 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)

Wolę nie zmieniać df.

Opcją jest pobranie indexz starti endterminach:

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]

Co skutkuje w:

     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

Inną opcją, jak to osiągnąć, jest zastosowanie pandas.DataFrame.query()metody. Pokażę ci przykład w następującej ramce danych o nazwie 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 2020-01-05

Jako argument użyj warunku do filtrowania w następujący sposób:

>>> 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

Jeśli nie chcesz uwzględniać granic, po prostu zmień warunek w następujący sposób:

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