前言

pandas有着强大的日期数据处理功能，本期我们来了解下pandas处理日期数据的一些基本功能，主要包括以下三个方面：

按日期筛选数据
按日期显示数据
按日期统计数据

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
```
import pandas as pd
```
从csv文件中读取数据

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

print(df.head(2))

            0  1

0  2013-10-24  3

1  2013-10-25  4

整理数据

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

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

df = df.set_index('date') # 将date设置为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的行数一共是425行。

查看Dataframe的数据类型

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'>

构造Series类型数据

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 按日期筛选数据

按年度获取数据

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

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

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

---------获取2013年的数据-----------

            number

date

2013-10-24       3

2013-10-25       4

            number

date

2013-12-27       2

2013-12-30       2

获取2016至2017年的数据

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

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

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

---------获取2016至2017年的数据-----------

            number

date

2016-01-04       4

2016-01-07       6

            number

date

2017-02-14       6

2017-02-22       6

获取某月的数据

print('---------获取某月的数据-----------')

print(df['2013-11']) # 获取某月的数据

---------获取某月的数据-----------

            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

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：

# 按日期筛选数据

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

# 获取具体某天的数据

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

# 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

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

#可以考虑用区间来获取某天的数据

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

---------获取具体某天的数据-----------

3

            number

date

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

# 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

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

print('--------after------------')

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

print('--------before------------')

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

---------获取某个时期之前或之后的数据-----------

--------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

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

print(type(df_period))

print(type(df_period.index))

# 请注意df.index的数据类型是DatetimeIndex；

# df_peirod的数据类型是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

按季度显示，但不统计

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

        number

date

2013Q4       3

2013Q4       4

2013Q4       2

2013Q4       1

2013Q4       1

按年度显示，但不统计

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

      number

date

2013       3

2013       4

2013       2

2013       1

2013       1

3.2 asfreq()方法

按年度频率显示

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

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

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

df_period.index.asfreq('M') # 按月份显示

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')

按工作日显示

method 1

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

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') # 按工作日期显示

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 按日期统计数据

4.1按日期统计数据

按周统计数据

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

按月统计数据

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

# "MS"是每个月第一天为开始日期, "M"是每个月最后一天

            number

date

2013-10-31      10

2013-11-30      14

2013-12-31      27

2014-01-31      16

2014-02-28       4

按季度统计数据

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

# "QS"是每个季度第一天为开始日期, "Q"是每个季度最后一天

            number

date

2013-12-31      51

2014-03-31      73

2014-06-30      96

2014-09-30     136

2014-12-31     148

按年统计数据



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

# "AS"是每年第一天为开始日期, "A是每年最后一天

            number

date

2013-01-01      51

2014-01-01     453

2015-01-01     743

2016-01-01    1552

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

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

# 按年统计并显示

      number

date

2013      51

2014     453

2015     743

2016    1552

2017      92

按季度统计并显示

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

# 按季度统计并显示

        number

date

2013Q4      51

2014Q1      73

2014Q2      96

2014Q3     136

2014Q4     148

按月度统计并显示

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

# 按月度统计并显示

         number

date

2013-10      10

2013-11      14

2013-12      27

2014-01      16

2014-02       4

更多精彩内容请关注微信公众号：

“Python数据之道”

Pandas日期数据处理：如何按日期筛选、显示及统计数据的更多相关文章

hightmaps 按地图上显示的统计数据
离extjs 至 easyui 到html5到hightchars 再到hightmaps.Exjts和easyui很相似,extjs是重量级的,easyui轻量级的.比extjs容易上手.照着dem ...
pandas处理日期时间，按照时间筛选
pandas有着强大的日期数据处理功能,本期我们来了解下pandas处理日期数据的一些基本功能,主要包括以下三个方面: 按日期筛选数据按日期显示数据按日期统计数据运行环境为 windows系统, ...
JQuery EasyUI 日期控件怎样做到只显示年月，而不显示日
标题问题的答案在OSChina中 http://www.oschina.net/question/2282354_224401?fromerr=lHJTcN89 我还是把这个记录下来 ======== ...
js日期、月份：日期加一天等
// 日期,在原有日期基础上,增加days天数,默认增加1天 function addDate(date, days) { if (days == undefined || days == '') { ...
结束日期必须大于开始日期－－My97DatePicker日历控制的又一方便之处
在做时间查询时,有时需要两个日期,从一个日期到另外一个日期的那种,但是这样会有一个问题,比如后者的结束日期晚于开始日期怎么办?用JS写验证,麻烦,呵呵,用这个日历控件,可方便实现结束日期只显示开始日期 ...
js如何通过末次月经日期计算预产日期
计算方式有两种 1)直接添加280天 2)添加10月8天(参数传递,可用改成9月7天等) js中引入文件 <script src="js/jquery.min.js"> ...
[Swift实际操作]七、常见概念-(6)日期Date和DateFormatter日期的格式化
本文将为你演示日期类型的使用,以及如何对日期进行格式化. 首先引入需要使用到的界面框架 import UIKit 初始化一个日期对象,它的值和当前电脑中的日期相同 var date = Date() ...
delphi ----日期控件运用,日期问题，日期时间比较
一.日期控件 1.DateTimePicker 1)只显示年月 DateMode:dmUpDown format:yyyy-MM 2)将DateTimePicker的Format属性中加入日期格式设成 ...
2019-11-19-git-修改commit日期为之前的日期
title author date CreateTime categories git 修改commit日期为之前的日期 lindexi 2019-11-19 08:53:16 +0800 2018- ...

随机推荐

linux 常用命令之一
---恢复内容开始--- Applications->Accessories->Terminal(终端) 终端运行起来会启动一个Shell为我们服务 1.提示符是"#" ...
01 The Learning Problem
什么时候适合用机器学习算法? 1.存在某种规则/模式,能够使性能提升,比如准确率: 2.这种规则难以程序化定义,人难以给出准确定义: 3.存在能够反映这种规则的资料. 所以,机器学习就是设计算法A,从 ...
Python爬虫 Cookie的使用
Cookie,指某些网站为了辨别用户身份.进行session跟踪而储存在用户本地终端上的数据(通常经过加密) 比如说有些网站需要登录后才能访问某个页面,在登录之前,你想抓取某个页面内容是不允许的.那么 ...
JVM知识在离线数据中的运用
又是飞花的季节了.多愁善感的林妹妹看到柳絮说:“嫁与东风春不管,凭尔去,忍淹留.”宝姐姐看了却来一句:“好风凭借力送我上青云”. 特别羡慕情商高的人,经常在想他们是怎么做到的.从来看不出他们不喜欢谁, ...
程序设计之 C#实现《拼图游戏》（下）原理篇
前言:在 http://www.cnblogs.com/labixiaohei/p/6698887.html 程序设计之 C#实现<拼图游戏>(上),上传了各模块代码,而在本文中将详细剖 ...
php object 对象系统
php object 对象系统概述本节内容仅谈论对象系统内容, 对于相关内容并不做更深一步的扩展, 相关扩展的内容会在后续补充 object 对象属于 zval 结构的一种形式 php 将所有执行 ...
Vuex（一）——vuejs的状态管理模式
一.Vuex是什么? Vuex 是一个专为 Vue.js 应用程序开发的状态管理模式. 它采用集中式存储管理应用的所有组件的状态,并以相应的规则保证状态以一种可预测的方式发生变化. ...
C#Execl
using System.IO; using System.Text; namespace iLIS.Common { /// <summary> /// 生成Excel文档内容 /// ...
python基本数据类型——list
一.创建列表: li = [] li = list() name_list = ['alex', 'seven', 'eric'] name_list ＝ list(['alex', 'seven', ...
AJAX做增删改查详细！
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/ ...

Pandas日期数据处理：如何按日期筛选、显示及统计数据

前言