Pandas.DataFrame时间序列数据处理的实现
更新时间：2023年02月23日 09:57:10 作者：饺子大人
本文主要介绍了Pandas.DataFrame时间序列数据处理的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
将pandas.DataFrame，pandas.Series的索引设置为datetime64 [ns]类型时，将其视为DatetimeIndex，并且可以使用各种处理时间序列数据的函数。
可以按年或月指定行，并按切片指定提取周期，这在处理包含日期和时间信息（例如日期和时间）的数据时非常方便。
在此，将对以下内容进行描述。
- 如何将一列现有数据指定为DatetimeIndex
- 读取CSV时如何指定DatetimeIndex
- 关于pandas.Series
如何将一列现有数据指定为DatetimeIndex
将pandas.DataFrame与默认的基于0的索引和一个字符串列作为日期。
import pandas as pd
df = pd.read_csv('./data/26/sample_date.csv')
print(df)
# date val_1 val_2
# 0 2017-11-01 65 76
# 1 2017-11-07 26 66
# 2 2017-11-18 47 47
# 3 2017-11-27 20 38
# 4 2017-12-05 65 85
# 5 2017-12-12 4 29
# 6 2017-12-22 31 54
# 7 2017-12-29 21 8
# 8 2018-01-03 98 76
# 9 2018-01-08 48 64
# 10 2018-01-19 18 48
# 11 2018-01-23 86 70
print(type(df.index))
# <class 'pandas.core.indexes.range.RangeIndex'>
print(df['date'].dtype)
# object将to_datetime（）应用于日期字符串列，并转换为datetime64 [ns]类型。
df['date'] = pd.to_datetime(df['date']) print(df['date'].dtype) # datetime64[ns]
使用set_index（）方法将datetime64 [ns]类型的列指定为索引。
Pandas.DataFrame,重置列的行名(set_index）
索引现在是DatetimeIndex。索引的每个元素都是时间戳类型。
df.set_index('date', inplace=True)
print(df)
# val_1 val_2
# date
# 2017-11-01 65 76
# 2017-11-07 26 66
# 2017-11-18 47 47
# 2017-11-27 20 38
# 2017-12-05 65 85
# 2017-12-12 4 29
# 2017-12-22 31 54
# 2017-12-29 21 8
# 2018-01-03 98 76
# 2018-01-08 48 64
# 2018-01-19 18 48
# 2018-01-23 86 70
print(type(df.index))
# <class 'pandas.core.indexes.datetimes.DatetimeIndex'>
print(df.index[0])
print(type(df.index[0]))
# 2017-11-01 00:00:00
# <class 'pandas._libs.tslib.Timestamp'>可以按年或月指定行，并按切片提取周期。
print(df['2018']) # val_1 val_2 # date # 2018-01-03 98 76 # 2018-01-08 48 64 # 2018-01-19 18 48 # 2018-01-23 86 70 print(df['2017-11']) # val_1 val_2 # date # 2017-11-01 65 76 # 2017-11-07 26 66 # 2017-11-18 47 47 # 2017-11-27 20 38 print(df['2017-12-15':'2018-01-15']) # val_1 val_2 # date # 2017-12-22 31 54 # 2017-12-29 21 8 # 2018-01-03 98 76 # 2018-01-08 48 64
还可以指定各种格式的行。
print(df.loc['01/19/2018', 'val_1']) # 18 print(df.loc['20180103', 'val_2']) # 76
读取CSV时如何指定DatetimeIndex
如果原始数据是CSV文件，则在使用read_csv（）进行读取时可以指定DatetimeIndex。
在参数index_col中指定要用作索引的日期和时间数据的列名（或从0开始的列号），并将parse_dates设置为True。
df = pd.read_csv('./data/26/sample_date.csv', index_col='date', parse_dates=True)
print(df)
# val_1 val_2
# date
# 2017-11-01 65 76
# 2017-11-07 26 66
# 2017-11-18 47 47
# 2017-11-27 20 38
# 2017-12-05 65 85
# 2017-12-12 4 29
# 2017-12-22 31 54
# 2017-12-29 21 8
# 2018-01-03 98 76
# 2018-01-08 48 64
# 2018-01-19 18 48
# 2018-01-23 86 70
print(type(df.index))
# <class 'pandas.core.indexes.datetimes.DatetimeIndex'>如果CSV文件的日期字符串为非标准格式，请在read_csv（）的参数date_parser中指定由lambda表达式定义的解析器。
parser = lambda date: pd.to_datetime(date, format='%Y年%m月%d日')
df_jp = pd.read_csv('./data/26/sample_date_cn.csv', index_col='date', parse_dates=True, date_parser=parser)
print(df_jp)
# val_1 val_2
# date
# 2017-11-01 65 76
# 2017-11-07 26 66
# 2017-11-18 47 47
# 2017-11-27 20 38
# 2017-12-05 65 85
# 2017-12-12 4 29
# 2017-12-22 31 54
# 2017-12-29 21 8
# 2018-01-03 98 76
# 2018-01-08 48 64
# 2018-01-19 18 48
# 2018-01-23 86 70
print(type(df_jp.index))
# <class 'pandas.core.indexes.datetimes.DatetimeIndex'>关于pandas.Series
这可能不是实际的模式，但是如果pandas.Series索引是日期字符串。
s = pd.read_csv('./data/26/sample_date.csv', index_col=0, usecols=[0, 1], squeeze=True)
print(s)
# date
# 2017-11-01 65
# 2017-11-07 26
# 2017-11-18 47
# 2017-11-27 20
# 2017-12-05 65
# 2017-12-12 4
# 2017-12-22 31
# 2017-12-29 21
# 2018-01-03 98
# 2018-01-08 48
# 2018-01-19 18
# 2018-01-23 86
# Name: val_1, dtype: int64
print(type(s))
print(type(s.index))
# <class 'pandas.core.series.Series'>
# <class 'pandas.core.indexes.base.Index'>如果要将此索引转换为DatetimeIndex，则可以通过将用to_datetime转换的索引替换为属性索引来覆盖它。
s.index = pd.to_datetime(s.index) print(s) # date # 2017-11-01 65 # 2017-11-07 26 # 2017-11-18 47 # 2017-11-27 20 # 2017-12-05 65 # 2017-12-12 4 # 2017-12-22 31 # 2017-12-29 21 # 2018-01-03 98 # 2018-01-08 48 # 2018-01-19 18 # 2018-01-23 86 # Name: val_1, dtype: int64 print(type(s)) print(type(s.index)) # <class 'pandas.core.series.Series'> # <class 'pandas.core.indexes.datetimes.DatetimeIndex'> print(s['2017-12-15':'2018-01-15']) # date # 2017-12-22 31 # 2017-12-29 21 # 2018-01-03 98 # 2018-01-08 48 # Name: val_1, dtype: int64
到此这篇关于Pandas.DataFrame时间序列数据处理的实现的文章就介绍到这了,更多相关Pandas.DataFrame时间序列内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
python中通过selenium简单操作及元素定位知识点总结
在本篇文章里小编给大家整理的是关于python中通过selenium简单操作及元素定位的知识点，有需要的朋友们可以学习下。2019-09-09
今天小编就为大家分享一篇numpy添加新的维度:newaxis的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-08-08
这篇文章主要介绍了Python callable()函数用法,结合实例形式分析了Python callable()函数的功能、使用方法及相关操作注意事项,需要的朋友可以参考下2018-03-03
经常会用到GoogleAuth作为二次验证码,本文主要介绍了python接入GoogleAuth的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧2023-08-08![pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]](//img.jbzj.com/images/xgimg/bcimg4.png)
pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]
这篇文章主要介绍了pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-04-04
这篇文章主要介绍了使用Python计算两个不同列表的相似度,Python数据开发工作中的需求两个不同列表给出相似度，本文实现判断数字类型相似度和字符串类型相似度，非常实用,需要的朋友可以参考下2023-07-07
这篇文章主要介绍了使用python 进行区间取值的相关知识，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下2021-07-07
这篇文章主要介绍了详解Python中的type()方法的使用,是Python入门中的基础知识,需要的朋友可以参考下2015-05-05
Google开源的Python格式化工具YAPF的安装和使用教程
Google的开发者文档中有一套Python的代码书写规范,而在GitHub上同样开源了一款名为YAPF的命令行程序用作Python的格式化,下面我们就来看下这款Google开源的Python格式化工具YAPF的安装和使用教程2016-05-05
这篇文章主要为大家详细介绍了如何基于python实现制作发货单,并将还html转为pdf,文中的示例代码讲解详细,感兴趣的小伙伴可以了解一下2024-11-11
![pandas数据选取：df[] df.loc[] df.iloc[] df.ix[] df.at[] df.iat[]](http://img.jbzj.com/images/xgimg/bcimg4.png)
最新评论