首页 > 资讯 > 精选 >Pandas中怎么按日期筛选、显示及统计数据

568

分享到

Pandas中怎么按日期筛选、显示及统计数据

2023-06-04 11:06:26 568人浏览独家记忆

摘要

小编给大家分享一下pandas中怎么按日期筛选、显示及统计数据，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！运行环境为 windows系统，64位，python3

小编给大家分享一下pandas中怎么按日期筛选、显示及统计数据，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

运行环境为 windows系统，64位，python3.5。

1 读取并整理数据

首先引入pandas库

1. import pandas as pd

从csv文件中读取数据

1. df =pd.read_csv('date.csv', header=None)

2. print(df.head(2))

1. 0 1

2. 0 2013-10-24 3

3. 1 2013-10-25 4

整理数据

1. df.columns= ['date','number']

2. df['date'] = pd.to_datetime(df['date']) #将数据类型转换为日期类型

3. df =df.set_index('date') # 将date设置为index

4. print(df.head(2))

5. print(df.tail(2))

6. print(df.shape)

1. number

2. date

3. 2013-10-24 3

4. 2013-10-25 4

5. number

6. date

7. 2017-02-14 6

8. 2017-02-22 6

9. (425, 1)

df的行数一共是425行。

查看Dataframe的数据类型

1. print(type(df))

2. print(df.index)

3. print(type(df.index))

1. <class 'pandas.core.frame.DataFrame'>

2. DatetimeIndex(['2013-10-24','2013-10-25', '2013-10-29', '2013-10-30',

3. '2013-11-04', '2013-11-06', '2013-11-08', '2013-11-12',

4. '2013-11-14', '2013-11-25',

5. ...

6. '2017-01-03', '2017-01-07', '2017-01-14', '2017-01-17',

7. '2017-01-23', '2017-01-25', '2017-01-26', '2017-02-07',

8. '2017-02-14', '2017-02-22'],

9. dtype='datetime64[ns]', name='date', length=425, freq=None)

10. <class 'pandas.tseries.index.DatetimeIndex'>

构造Series类型数据

1. s = pd.Series(df['number'],index=df.index)

2. print(type(s))

3. s.head(2)

1. <class 'pandas.core.series.Series'>

3. date

4. 2013-10-24 3

5. 2013-10-25 4

6. Name:number, dtype: int64

2 按日期筛选数据

按年度获取数据

1. print('---------获取2013年的数据-----------')

2. print(df['2013'].head(2)) # 获取2013年的数据

3. print(df['2013'].tail(2)) # 获取2013年的数据

1. ---------获取2013年的数据-----------

2. number

3. date

4. 2013-10-24 3

5. 2013-10-25 4

6. number

7. date

8. 2013-12-27 2

9. 2013-12-30 2

获取2016至2017年的数据

1. print('---------获取2016至2017年的数据-----------')

2. print(df['2016':'2017'].head(2)) #获取2016至2017年的数据

3. print(df['2016':'2017'].tail(2)) #获取2016至2017年的数据

1. ---------获取2016至2017年的数据-----------

2. number

3. date

4. 2016-01-04 4

5. 2016-01-07 6

6. number

7. date

8. 2017-02-14 6

9. 2017-02-22 6

获取某月的数据

1. print('---------获取某月的数据-----------')

2. print(df['2013-11']) # 获取某月的数据

1. ---------获取某月的数据-----------

2. number

3. date

4. 2013-11-04 1

5. 2013-11-06 3

6. 2013-11-08 1

7. 2013-11-12 5

8. 2013-11-14 2

9. 2013-11-25 1

10. 2013-11-29 1

获取具体某天的数据

请注意dataframe类型的数据，获取具体某天的数据时，跟series是有些差异的，详细情况如下述代码所示：

1. # 按日期筛选数据

2. print('---------获取具体某天的数据-----------')

3. # 获取具体某天的数据

4. print(s['2013-11-06'])

6. # 获取具体某天的数据，用datafrme直接选取某天时会报错，而series的数据就没有问题

7. #print(df['2013-11-06'])

9. #可以考虑用区间来获取某天的数据

10. print(df['2013-11-06':'2013-11-06'])

1. ---------获取具体某天的数据-----------

2. 3

3. number

4. date

5. 2013-11-06 3

dataframe的truncate函数可以获取某个时期之前或之后的数据，或者某个时间区间的数据
但一般建议直接用切片（slice），这样更为直观，方便

1. #dataframe的truncate函数可以获取某个时期之前或之后的数据，或者某个时间区间的数据

2. # 但一般建议直接用切片（slice），这样更为直观，方便

3. print('---------获取某个时期之前或之后的数据-----------')

4. print('--------after------------')

5. print(df.truncate(after = '2013-11'))

6. print('--------before------------')

7. print(df.truncate(before='2017-02'))

1. ---------获取某个时期之前或之后的数据-----------

2. --------after------------

3. number

4. date

5. 2013-10-24 3

6. 2013-10-25 4

7. 2013-10-29 2

8. 2013-10-30 1

9. --------before------------

10. number

11. date

12. 2017-02-07 8

13. 2017-02-14 6

14. 2017-02-22 6

3 按日期显示数据

3.1 to_period()方法

请注意df.index的数据类型是DatetimeIndex；
df_peirod的数据类型是PeriodIndex

按月显示，但不统计

1. df_period= df.to_period('M') #按月显示，但不统计

2. print(type(df_period))

4. print(type(df_period.index))

5. # 请注意df.index的数据类型是DatetimeIndex；

6. #df_peirod的数据类型是PeriodIndex

8. print(df_period.head())

1. <class 'pandas.core.frame.DataFrame'>

2. <class 'pandas.tseries.period.PeriodIndex'>

3. number

4. date

5. 2013-10 3

6. 2013-10 4

7. 2013-10 2

8. 2013-10 1

9. 2013-11 1

按季度显示，但不统计

1. print(df.to_period('Q').head()) #按季度显示，但不统计

1. number

2. date

3. 2013Q4 3

4. 2013Q4 4

5. 2013Q4 2

6. 2013Q4 1

7. 2013Q4 1

按年度显示，但不统计

1. print(df.to_period('A').head()) #按年度显示，但不统计

1. number

2. date

3. 2013 3

4. 2013 4

5. 2013 2

6. 2013 1

7. 2013 1

3.2 asfreq()方法

按年度频率显示

1. df_period.index.asfreq('A') # 'A'默认是'A-DEC',其他如'A-JAN'

1. PeriodIndex(['2013', '2013', '2013', '2013', '2013', '2013', '2013', '2013',

2. '2013', '2013',

3. ...

4. '2017', '2017', '2017', '2017', '2017', '2017', '2017', '2017',

5. '2017', '2017'],

6. dtype='period[A-DEC]', name='date', length=425, freq='A-DEC')

1. df_period.index.asfreq('A-JAN') # 'A'默认是'A-DEC',其他如'A-JAN'

1. PeriodIndex(['2014', '2014', '2014', '2014', '2014', '2014', '2014', '2014',

2. '2014', '2014',

3. ...

4. '2017', '2017', '2017', '2017', '2017', '2017', '2017', '2018',

5. '2018', '2018'],

6. dtype='period[A-JAN]', name='date', length=425, freq='A-JAN')

按年度频率在不同情形下的显示，可参考下图所示：

按季度频率显示

1. df_period.index.asfreq('Q') # 'Q'默认是'Q-DEC',其他如“Q-SEP”，“Q-FEB”

1. PeriodIndex(['2013Q4', '2013Q4', '2013Q4', '2013Q4', '2013Q4', '2013Q4',

2. '2013Q4', '2013Q4', '2013Q4', '2013Q4',

3. ...

4. '2017Q1', '2017Q1', '2017Q1', '2017Q1', '2017Q1', '2017Q1',

5. '2017Q1', '2017Q1', '2017Q1', '2017Q1'],

6. dtype='period[Q-DEC]', name='date', length=425, freq='Q-DEC')

1. df_period.index.asfreq('Q-SEP') # 可以显示不同的季度财年，“Q-SEP”，“Q-FEB”

2. #df_period.index = df_period.index.asfreq('Q-DEC') # 可以显示不同的季度财年，“Q-SEP”，“Q-FEB”

3. #print(df_period.head())

1. PeriodIndex(['2014Q1', '2014Q1', '2014Q1', '2014Q1', '2014Q1', '2014Q1',

2. '2014Q1', '2014Q1', '2014Q1', '2014Q1',

3. ...

4. '2017Q2', '2017Q2', '2017Q2', '2017Q2', '2017Q2', '2017Q2',

5. '2017Q2', '2017Q2', '2017Q2', '2017Q2'],

6. dtype='period[Q-SEP]', name='date', length=425, freq='Q-SEP')

按季度频率在不同情形下的显示，可参考下图所示：

按月度频率显示

1. df_period.index.asfreq('M') # 按月份显示

1. PeriodIndex(['2013-10', '2013-10', '2013-10', '2013-10', '2013-11', '2013-11',

2. '2013-11', '2013-11', '2013-11', '2013-11',

3. ...

4. '2017-01', '2017-01', '2017-01', '2017-01', '2017-01', '2017-01',

5. '2017-01', '2017-02', '2017-02', '2017-02'],

6. dtype='period[M]', name='date', length=425, freq='M')

按工作日显示

method 1

1. df_period.index.asfreq('B', how='start') # 按工作日期显示

1. PeriodIndex(['2013-10-01', '2013-10-01', '2013-10-01', '2013-10-01',

2. '2013-11-01', '2013-11-01', '2013-11-01', '2013-11-01',

3. '2013-11-01', '2013-11-01',

4. ...

5. '2017-01-02', '2017-01-02', '2017-01-02', '2017-01-02',

6. '2017-01-02', '2017-01-02', '2017-01-02', '2017-02-01',

7. '2017-02-01', '2017-02-01'],

8. dtype='period[B]', name='date', length=425, freq='B')

method 2

1. df_period.index.asfreq('B', how='end') # 按工作日期显示

1. PeriodIndex(['2013-10-31', '2013-10-31', '2013-10-31', '2013-10-31',

2. '2013-11-29', '2013-11-29', '2013-11-29', '2013-11-29',

3. '2013-11-29', '2013-11-29',

4. ...

5. '2017-01-31', '2017-01-31', '2017-01-31', '2017-01-31',

6. '2017-01-31', '2017-01-31', '2017-01-31', '2017-02-28',

7. '2017-02-28', '2017-02-28'],

8. dtype='period[B]', name='date', length=425, freq='B')

4 按日期统计数据

4.1按日期统计数据

按周统计数据

1. print(df.resample('w').sum().head())

2. # “w”，week

1. number

2. date

3. 2013-10-27 7.0

4. 2013-11-03 3.0

5. 2013-11-10 5.0

6. 2013-11-17 7.0

7. 2013-11-24 NaN

按月统计数据

1. print(df.resample('M').sum().head())

2. #"MS"是每个月第一天为开始日期, "M"是每个月最后一天

1. number

2. date

3. 2013-10-31 10

4. 2013-11-30 14

5. 2013-12-31 27

6. 2014-01-31 16

7. 2014-02-28 4

按季度统计数据

1. print(df.resample('Q').sum().head())

2. #"QS"是每个季度第一天为开始日期, "Q"是每个季度最后一天

1. number

2. date

3. 2013-12-31 51

4. 2014-03-31 73

5. 2014-06-30 96

6. 2014-09-30 136

7. 2014-12-31 148

按年统计数据

1. print(df.resample('AS').sum())

2. #"AS"是每年第一天为开始日期, "A是每年最后一天

1. number

2. date

3. 2013-01-01 51

4. 2014-01-01 453

5. 2015-01-01 743

6. 2016-01-01 1552

7. 2017-01-01 92

关于日期的类型，按参考下图所示来选择合适的分期频率：

4.2 按日期统计后，按年或季度或月份显示

按年统计并显示

1. print(df.resample('AS').sum().to_period('A'))

2. # 按年统计并显示

1. number

2. date

3. 2013 51

4. 2014 453

5. 2015 743

6. 2016 1552

7. 2017 92

按季度统计并显示

1. print(df.resample('Q').sum().to_period('Q').head())

2. # 按季度统计并显示

1. number

2. date

3. 2013Q4 51

4. 2014Q1 73

5. 2014Q2 96

6. 2014Q3 136

7. 2014Q4 148

按月度统计并显示

1. print(df.resample('M').sum().to_period('M').head())

2. # 按月度统计并显示

1. number

2. date

3. 2013-10 10

4. 2013-11 14

5. 2013-12 27

6. 2014-01 16

7. 2014-02 4

以上是“Pandas中怎么按日期筛选、显示及统计数据”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网精选频道！

点击免费下载>>软考高级考试备考技巧/历年真题/备考精华资料

--结束END--

本文标题: Pandas中怎么按日期筛选、显示及统计数据

本文链接: https://www.lsjlt.com/news/237562.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑，方便收藏和打印～

下载Word文档

去做题

sql自增主键怎么实现

2024-05-10

运用C++进行图形渲染的常见陷阱和解决方案

2024-05-10

C++移动应用程序开发的未来趋势与展望

2024-05-10

Golang技术在微服务架构中的负载均衡？

2024-05-10

Navicat如何分析SQL查询的性能

2024-05-10

Golang技术对移动开发行业的影响

2024-05-10

香港免备案服务器适合什么网站使用

2024-05-10

Go语言如何通过容器技术扩展高并发场景下的处理能力？

2024-05-10

设计模式如何促进代码的并发性和并发安全性

2024-05-10

PyCharm怎样更改主题_PyCharm更改主题的方法

2024-05-10

热门问答

回答

如何调试操作系统的错误？
操作系统

2023-11-15发布

回答

操作系统中的I/O系统是如何实现的？
操作系统

2023-11-15发布

回答

如何实现操作系统的内存管理？
操作系统

2023-11-15发布

回答

什么是虚拟内存，它对操作系统有什么影响？
操作系统

2023-11-15发布

回答

ASP中的MVC架构和WebForms架构有什么区别和使用场景？
ASP.NET

2023-11-15发布

回答

ASP中的数据验证和数据校验有什么不同？
ASP.NET

2023-11-15发布

回答

ASP中的ADO对象和DAO对象有什么区别和使用方法？
ASP.NET

2023-11-15发布

回答

Node.js中的包管理器NPM是什么？如何使用它进行依赖管理？
node.js

2023-11-15发布

回答

Vue.js中的动态组件是什么？如何使用它来动态渲染组件？
VUE

2023-11-15发布

回答

如何使用Vue.js实现懒加载和预加载？
VUE

2023-11-15发布

Pandas中怎么按日期筛选、显示及统计数据

本篇文章演示代码以及资料文档资料下载

Pandas中怎么按日期筛选、显示及统计数据

Ubuntu系统选择中文安装后日期显示乱码问题的怎么解决

数据库中怎么找出未收集统计信息以及统计信息过期的表

sql自增主键怎么实现

运用C++进行图形渲染的常见陷阱和解决方案

C++移动应用程序开发的未来趋势与展望

Golang技术在微服务架构中的负载均衡？

Navicat如何分析SQL查询的性能

Golang技术对移动开发行业的影响

香港免备案服务器适合什么网站使用

Go语言如何通过容器技术扩展高并发场景下的处理能力？

设计模式如何促进代码的并发性和并发安全性

PyCharm怎样更改主题_PyCharm更改主题的方法