Estou a criar um DataFrame a partir de um csv, como se segue:
stock = pd.read_csv('data_in/' + filename + '.csv', skipinitialspace=True)
O DataFrame tem uma coluna de datas. Existe uma maneira de criar um novo DataFrame (ou apenas sobregravar o existente) que contenha apenas linhas com valores de data que estejam dentro de um intervalo de datas especificado ou entre dois valores de data especificados?
Há duas soluções possíveis:
df[start_date : end_date]
**Usando uma máscara booleana***:
Certifique-se de que df['date']
é uma série com dtype datetime64[ns]
:
df['date'] = pd.to_datetime(df['date'])
Faz uma máscara booleana. A "data_de_início" e a "data_de_fim" podem ser "data/hora.data",
np.datetime64
s, pd.Timestamp
s, ou mesmo cadeias de data/hora:
#greater than the start date and smaller than the end date
mask = (df['date'] > start_date) & (df['date'] <= end_date)
Selecione o sub-DataFrame:
df.loc[mask]
ou reatribuir ao df
df = df.loc[mask]
Por exemplo, "python importação numérica como np pandas de importação como pd
df = pd.DataFrame(np.random.random((200,3))) df['date'] = pd.date_range('2000-1-1', periods=200, freq='D') máscara = (df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10') print(df.loc[máscara])
colheitas
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
----------
**Using a [DatetimeIndex](https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#partial-string-indexing)**:
Se você vai fazer muitas seleções por data, pode ser mais rápido definir o
coluna "data" como o índice primeiro. Então você pode selecionar linhas por data utilizando
`df.loc[start_date:end_date]`.
"python
importação numérica como np
pandas de importação como 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'])
colheitas
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
Enquanto a indexação da lista Python, por exemplo, seq[start:end]
inclui start
mas não end
, em contraste, Pandas df.loc[start_date : end_date]
inclui ambos pontos finais no resultado se eles estiverem no índice. Nem start_date
nem end_date
tem que estar no índice, no entanto.
Note também que pd.read_csv
tem um parâmetro parse_dates
que você poderia utilizar para analisar a coluna date
como datetime64
s. Assim, se você utilizar parse_dates
, você não precisará utilizar df['date'] = pd.to_datetime(df['date'])
.
Sinto que a melhor opção será usar as verificações directas em vez de usar a função de localização:
df = df[(df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')]
Para mim funciona.
O maior problema com a função loc com uma fatia é que os limites devem estar presentes nos valores reais, se não isso resultará no KeyError.
Você pode utilizar o método isin
na coluna data
assim
df[df["date"].isin(pd.date_range(start_date, end_date))]
Nota: Isto só funciona com datas (como a pergunta pergunta faz) e não com carimbos temporais.
Exemplo:
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
o que dá
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