选择两个日期之间的DataFrame行

Question

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？

Answer 1

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']是带有dtype的系列datetime64[ns]:

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

制作一个布尔掩码.start_date并且end_date可以是datetime.datetimes, np.datetime64s,pd.Timestamps甚至是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DataFrame:

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,则可以更快地将date列设置 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),但是如果它们在索引中end,则Pandas 在结果中df.loc[start_date : end_date]包括两个端点.然而,既不start_date也不必end_date在索引中.

另请注意,pd.read_csv有一个parse_dates参数可用于将date列解析为datetime64s.因此,如果您使用parse_dates,则不需要使用df['date'] = pd.to_datetime(df['date']).

Answer 2

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')]

这个对我有用.

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.

Answer 3

您还可以使用between:

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

Answer 4

您可以像这样isin在date列 上使用该方法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.

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

这使

           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

Answer 5

强烈建议将日期列转换为索引。这样做会提供很多便利。一种是轻松选择两个日期之间的行，您可以看到这个示例：

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')

2017-01-01要选择和之间的行2019-01-01，您只需将该date列转换为index：

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

然后只进行切片：

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

您可以在直接读取 csv 文件时选择日期列作为索引，而不是df.set_index()：

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

Answer 6

保持解决方案简单和Pythonic，建议您尝试一下。

如果要经常执行此操作，最好的解决方案是首先将date列设置为索引，这将转换DateTimeIndex中的列，并使用以下条件来分割任何日期范围。

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')]

Answer 7

另一种选择，如何实现这一点，是通过使用pandas.DataFrame.query()方法。让我向您展示以下名为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

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

如果您不想包含边界，只需更改如下条件即可：

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

Answer 8

pandas0.22有一个between()功能。使回答这个问题更容易和更易读的代码。

# 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')})

假设您想获取 2018 年 11 月 27 日和 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论证。当你想明确你的范围时非常有帮助。请注意，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

这种方法也比前面提到的isin方法更快：

%%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，它并不比 unutbu 提供的当前接受的答案快，前提是已经创建了掩码。但是如果掩码是动态的并且需要一遍又一遍地重新分配，我的方法可能更有效：

# 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)

Answer 9

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

方法一：

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

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

方法二：

    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 DataFrame 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 DataFrame.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() 选择两个日期之间的 DataFrame 行

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