每天过滤熊猫数据框

Question

我有一个熊猫数据框，其中包含以分钟为单位的外汇数据，为期一年（371635行）：

                           O        H        L        C
0                                                      
2017-01-02 02:00:00  1.05155  1.05197  1.05155  1.05190
2017-01-02 02:01:00  1.05209  1.05209  1.05177  1.05179
2017-01-02 02:02:00  1.05177  1.05198  1.05177  1.05178
2017-01-02 02:03:00  1.05188  1.05200  1.05188  1.05200
2017-01-02 02:04:00  1.05196  1.05204  1.05196  1.05203

我想过滤每日数据以获取一个小时范围：

dt = datetime(2017,1,1)
df_day = df1[df.index.date == dt.date()]
df_day_t = df_day.between_time('08:30', '09:30')   

如果我进行for200天循环，则需要几分钟。我怀疑这条线的每一步

df_day = df1[df.index.date == dt.date()] 

正在寻找数据集中每一行的相等性（即使它是有序数据集）。

有什么办法可以加快过滤速度，还是应该在for1月到12月之间做一些古老的命令式循环...？

Answer 1

避免使用Python datetime

首先，您应该避免将Python datetime与Pandas操作结合使用。有很多Pandas / NumPy友好方法可以创建datetime对象进行比较，例如pd.Timestamp和pd.to_datetime。您的性能问题部分归因于docs中描述的此行为：

pd.Series.dt.date返回一个python datetime.date对象数组

object以这种方式使用dtype会消除矢量化的好处，因为操作随后需要Python级的循环。

使用groupby操作按日期汇总

熊猫已经具有通过归一化时间按日期分组的功能：

for day, df_day in df.groupby(df.index.floor('d')):
    df_day_t = df_day.between_time('08:30', '09:30')
    # do something

作为另一个示例，您可以通过以下方式访问特定日期的切片：

g = df.groupby(df.index.floor('d'))
my_day = pd.Timestamp('2017-01-01')
df_slice = g.get_group(my_day)