Pandas日期數據處理：如何按日期篩選、顯示及統計數據
前言
pandas有着強大的日期數據處理功能，本期咱們來了解下pandas處理日期數據的一些基本功能，主要包括如下三個方面：vue
- 按日期篩選數據
- 按日期顯示數據
- 按日期統計數據
運行環境爲 windows系統，64位，python3.5。python
1 讀取並整理數據
- 首先引入pandas庫
import pandas as pd - 從csv文件中讀取數據
df = pd.read_csv('date.csv', header=None)
print(df.head(2))
0 1 0 2013-10-24 3 1 2013-10-25 4
- 整理數據
df.columns = ['date','number']
df['date'] = pd.to_datetime(df['date']) #將數據類型轉換爲日期類型
df = df.set_index('date') # 將date設置爲index
print(df.head(2))
print(df.tail(2))
print(df.shape)
number
date
2013-10-24 3
2013-10-25 4
number
date
2017-02-14 6
2017-02-22 6
(425, 1)
- df的行數一共是425行。
查看Dataframe的數據類型windows
print(type(df)) print(df.index) print(type(df.index))
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex(['2013-10-24', '2013-10-25', '2013-10-29', '2013-10-30',
'2013-11-04', '2013-11-06', '2013-11-08', '2013-11-12',
'2013-11-14', '2013-11-25',
...
'2017-01-03', '2017-01-07', '2017-01-14', '2017-01-17',
'2017-01-23', '2017-01-25', '2017-01-26', '2017-02-07',
'2017-02-14', '2017-02-22'],
dtype='datetime64[ns]', name='date', length=425, freq=None)
<class 'pandas.tseries.index.DatetimeIndex'>
構造Series類型數據微信
s = pd.Series(df['number'], index=df.index)
print(type(s))
s.head(2)
<class 'pandas.core.series.Series'> date 2013-10-24 3 2013-10-25 4 Name: number, dtype: int64
2 按日期篩選數據
按年度獲取數據markdown
print('---------獲取2013年的數據-----------')
print(df['2013'].head(2)) # 獲取2013年的數據
print(df['2013'].tail(2)) # 獲取2013年的數據
---------獲取2013年的數據-----------
number
date
2013-10-24 3
2013-10-25 4
number
date
2013-12-27 2
2013-12-30 2
獲取2016至2017年的數據app
print('---------獲取2016至2017年的數據-----------')
print(df['2016':'2017'].head(2)) #獲取2016至2017年的數據
print(df['2016':'2017'].tail(2)) #獲取2016至2017年的數據
---------獲取2016至2017年的數據-----------
number
date
2016-01-04 4
2016-01-07 6
number
date
2017-02-14 6
2017-02-22 6
獲取某月的數據函數
print('---------獲取某月的數據-----------')
print(df['2013-11']) # 獲取某月的數據
---------獲取某月的數據-----------
number
date
2013-11-04 1
2013-11-06 3
2013-11-08 1
2013-11-12 5
2013-11-14 2
2013-11-25 1
2013-11-29 1
獲取具體某天的數據ui
- 請注意dataframe類型的數據，獲取具體某天的數據時，跟series是有些差別的，詳細狀況以下述代碼所示：
# 按日期篩選數據
print('---------獲取具體某天的數據-----------')
# 獲取具體某天的數據
print(s['2013-11-06'])
# 獲取具體某天的數據，用datafrme直接選取某天時會報錯，而series的數據就沒有問題
# print(df['2013-11-06'])
#能夠考慮用區間來獲取某天的數據
print(df['2013-11-06':'2013-11-06'])
---------獲取具體某天的數據-----------
3
number
date
2013-11-06 3
- dataframe的truncate函數能夠獲取某個時期以前或以後的數據，或者某個時間區間的數據
- 但通常建議直接用切片（slice），這樣更爲直觀，方便
# dataframe的truncate函數能夠獲取某個時期以前或以後的數據，或者某個時間區間的數據
# 但通常建議直接用切片（slice），這樣更爲直觀，方便
print('---------獲取某個時期以前或以後的數據-----------')
print('--------after------------')
print(df.truncate(after = '2013-11'))
print('--------before------------')
print(df.truncate(before='2017-02'))
---------獲取某個時期以前或以後的數據-----------
--------after------------
number
date
2013-10-24 3
2013-10-25 4
2013-10-29 2
2013-10-30 1
--------before------------
number
date
2017-02-07 8
2017-02-14 6
2017-02-22 6
3 按日期顯示數據
3.1 to_period()方法
- 請注意df.index的數據類型是DatetimeIndex；
- df_peirod的數據類型是PeriodIndex
按月顯示，但不統計lua
df_period = df.to_period('M') #按月顯示，但不統計
print(type(df_period))
print(type(df_period.index))
# 請注意df.index的數據類型是DatetimeIndex；
# df_peirod的數據類型是PeriodIndex
print(df_period.head())
<class 'pandas.core.frame.DataFrame'>
<class 'pandas.tseries.period.PeriodIndex'>
number
date
2013-10 3
2013-10 4
2013-10 2
2013-10 1
2013-11 1
按季度顯示，但不統計url
print(df.to_period('Q').head()) #按季度顯示，但不統計
number date 2013Q4 3 2013Q4 4 2013Q4 2 2013Q4 1 2013Q4 1
按年度顯示，但不統計
print(df.to_period('A').head()) #按年度顯示，但不統計
number date 2013 3 2013 4 2013 2 2013 1 2013 1
3.2 asfreq()方法
按年度頻率顯示
df_period.index.asfreq('A') # 'A'默認是'A-DEC',其餘如'A-JAN'
PeriodIndex(['2013', '2013', '2013', '2013', '2013', '2013', '2013', '2013',
'2013', '2013',
...
'2017', '2017', '2017', '2017', '2017', '2017', '2017', '2017',
'2017', '2017'],
dtype='period[A-DEC]', name='date', length=425, freq='A-DEC')
df_period.index.asfreq('A-JAN') # 'A'默認是'A-DEC',其餘如'A-JAN'
PeriodIndex(['2014', '2014', '2014', '2014', '2014', '2014', '2014', '2014',
'2014', '2014',
...
'2017', '2017', '2017', '2017', '2017', '2017', '2017', '2018',
'2018', '2018'],
dtype='period[A-JAN]', name='date', length=425, freq='A-JAN')
- 按年度頻率在不一樣情形下的顯示，可參考下圖所示：
按季度頻率顯示
df_period.index.asfreq('Q') # 'Q'默認是'Q-DEC',其餘如「Q-SEP」，「Q-FEB」
PeriodIndex(['2013Q4', '2013Q4', '2013Q4', '2013Q4', '2013Q4', '2013Q4',
'2013Q4', '2013Q4', '2013Q4', '2013Q4',
...
'2017Q1', '2017Q1', '2017Q1', '2017Q1', '2017Q1', '2017Q1',
'2017Q1', '2017Q1', '2017Q1', '2017Q1'],
dtype='period[Q-DEC]', name='date', length=425, freq='Q-DEC')
df_period.index.asfreq('Q-SEP') # 能夠顯示不一樣的季度財年，「Q-SEP」，「Q-FEB」
# df_period.index = df_period.index.asfreq('Q-DEC') # 能夠顯示不一樣的季度財年，「Q-SEP」，「Q-FEB」
# print(df_period.head())
PeriodIndex(['2014Q1', '2014Q1', '2014Q1', '2014Q1', '2014Q1', '2014Q1',
'2014Q1', '2014Q1', '2014Q1', '2014Q1',
...
'2017Q2', '2017Q2', '2017Q2', '2017Q2', '2017Q2', '2017Q2',
'2017Q2', '2017Q2', '2017Q2', '2017Q2'],
dtype='period[Q-SEP]', name='date', length=425, freq='Q-SEP')
- 按季度頻率在不一樣情形下的顯示，可參考下圖所示：
按月度頻率顯示
df_period.index.asfreq('M') # 按月份顯示
PeriodIndex(['2013-10', '2013-10', '2013-10', '2013-10', '2013-11', '2013-11',
'2013-11', '2013-11', '2013-11', '2013-11',
...
'2017-01', '2017-01', '2017-01', '2017-01', '2017-01', '2017-01',
'2017-01', '2017-02', '2017-02', '2017-02'],
dtype='period[M]', name='date', length=425, freq='M')
按工做日顯示
- method 1
df_period.index.asfreq('B', how='start') # 按工做日期顯示
PeriodIndex(['2013-10-01', '2013-10-01', '2013-10-01', '2013-10-01',
'2013-11-01', '2013-11-01', '2013-11-01', '2013-11-01',
'2013-11-01', '2013-11-01',
...
'2017-01-02', '2017-01-02', '2017-01-02', '2017-01-02',
'2017-01-02', '2017-01-02', '2017-01-02', '2017-02-01',
'2017-02-01', '2017-02-01'],
dtype='period[B]', name='date', length=425, freq='B')
- method 2
df_period.index.asfreq('B', how='end') # 按工做日期顯示
PeriodIndex(['2013-10-31', '2013-10-31', '2013-10-31', '2013-10-31',
'2013-11-29', '2013-11-29', '2013-11-29', '2013-11-29',
'2013-11-29', '2013-11-29',
...
'2017-01-31', '2017-01-31', '2017-01-31', '2017-01-31',
'2017-01-31', '2017-01-31', '2017-01-31', '2017-02-28',
'2017-02-28', '2017-02-28'],
dtype='period[B]', name='date', length=425, freq='B')
4 按日期統計數據
4.1按日期統計數據
按周統計數據
print(df.resample('w').sum().head())
# 「w」，week
number date 2013-10-27 7.0 2013-11-03 3.0 2013-11-10 5.0 2013-11-17 7.0 2013-11-24 NaN
按月統計數據
print(df.resample('M').sum().head())
# "MS"是每一個月第一天爲開始日期, "M"是每一個月最後一天
number date 2013-10-31 10 2013-11-30 14 2013-12-31 27 2014-01-31 16 2014-02-28 4
按季度統計數據
print(df.resample('Q').sum().head())
# "QS"是每一個季度第一天爲開始日期, "Q"是每一個季度最後一天
number date 2013-12-31 51 2014-03-31 73 2014-06-30 96 2014-09-30 136 2014-12-31 148
按年統計數據
print(df.resample('AS').sum())
# "AS"是每一年第一天爲開始日期, "A是每一年最後一天
number date 2013-01-01 51 2014-01-01 453 2015-01-01 743 2016-01-01 1552 2017-01-01 92
- 關於日期的類型，按參考下圖所示來選擇合適的分期頻率：
4.2 按日期統計後，按年或季度或月份顯示
按年統計並顯示
print(df.resample('AS').sum().to_period('A'))
# 按年統計並顯示
number date 2013 51 2014 453 2015 743 2016 1552 2017 92
按季度統計並顯示
print(df.resample('Q').sum().to_period('Q').head())
# 按季度統計並顯示
number date 2013Q4 51 2014Q1 73 2014Q2 96 2014Q3 136 2014Q4 148
按月度統計並顯示
print(df.resample('M').sum().to_period('M').head())
# 按月度統計並顯示
number date 2013-10 10 2013-11 14 2013-12 27 2014-01 16 2014-02 4
更多精彩內容請關注微信公衆號：
「Python數據之道」
相關文章
- 1. Pandas日期數據處理：如何按日期篩選、顯示及統計數據
- 2. 數據處理——pandas日期時間
- 3. FineReport 如何通過篩選日期選取當月數據
- 4. mysql 按日期統計數據
- 5. 日期篩選
- 6. pandas 日期處理
- 7. sql server根據日期篩選出工作日的數據
- 8. MYSQL根據日期統計數據
- 9. pandas 時間日期 數據可視化
- 10. pandas處理時間和日期類型數據
- 更多相關文章...
- • SQLite 日期 & 時間 - SQLite教程
- • XSD 日期和時間數據類型 - XML Schema 教程
- • Flink 數據傳輸及反壓詳解
- • TiDB 在摩拜單車在線數據業務的應用和實踐
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章