本篇内容主要讲解“Pandas.DataFrame时间序列数据处理如何实现”,感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷,实用性强。下面就让小编来带大家学习“Pandas.DataFrame时间序列数据处理如何实现”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。
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
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'>
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,相信大家对“Pandas.DataFrame时间序列数据处理如何实现”有了更深的了解,不妨来实际操作一番吧!这里是亿速云网站,更多相关内容可以进入相关频道进行查询,关注我们,继续学习!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。