时间：2021-04-02 数据分析 查看: 1717
pandas 是 python 中一个功能强大的库，这里就不再复述了，简单介绍下用日期范围筛选 pandas 数据。
用来筛选的列是 date 类型，所以这里要把要筛选的日期范围从字符串转成 date 类型
比如我的数据包含列名为 trade_date，从 20050101 - 20190926 的数据，我要筛选出 20050606 - 20071016 的数据，那么，先如下转换数据类型：
s_date = datetime.datetime.strptime('20050606', '%Y%m%d').date()
e_date = datetime.datetime.strptime('20071016', '%Y%m%d').date()非常简单，一行代码就搞定了：
df = df[(df['tra_date'] >= s_date) & (df['tra_date'] <= e_date)]注意事项
import pandas as pd
#读取文件
df = pd.read_csv('./TianQi.csv')
#获取九月份数据的几种方法
#方法一 使用行索引切片，['2019/9/1':'2019/9/30']，缺点是要求日期必须是连续的。为了方便查看取前5条，以下其他方法均取前5条，由于未进行排序，顺序会有差异
df.set_index('日期',inplace=True)
print(df['2019/9/1':'2019/9/30'].head()) #或者print(df.loc['2019/9/1':'2019/9/30',:])
'''
打印：
最高温度 最低温度 天气 风向 风级 空气质量
日期
2019/9/1 33℃ 19℃ 多云~晴 西南风 2级 良
2019/9/2 34℃ 20℃ 晴 南风 2级 良
2019/9/3 33℃ 20℃ 晴 东南风 2级 良
2019/9/7 34℃ 21℃ 晴 西南风 2级 良
2019/9/8 35℃ 22℃ 晴~多云 东北风 2级 良
'''
#方法二 利用列表生成式和startwith('2019/9')生成bool列表,缺点，比较麻烦。
print(df.loc[[True if i.startswith('2019/9') else False for i in df.index.tolist()],:].head())
'''
打印：
最高温度 最低温度 天气 风向 风级 空气质量
日期
2019/9/4 32℃ 19℃ 晴 东南风 2级 良
2019/9/5 33℃ 20℃ 晴 东南风 2级 良
2019/9/6 33℃ 20℃ 晴 东南风 1级 良
2019/9/1 33℃ 19℃ 多云~晴 西南风 2级 良
2019/9/2 34℃ 20℃ 晴 南风 2级 良
'''
#方法三 利用pandas的str和startswith('2019/9')|contains('2019/9')。
df1 = pd.read_csv('./TianQi.csv')
print(df1[df1['日期'].str.startswith('2019/9')].head())
'''
打印：
日期 最高温度 最低温度 天气 风向 风级 空气质量
243 2019/9/4 32℃ 19℃ 晴 东南风 2级 良
244 2019/9/5 33℃ 20℃ 晴 东南风 2级 良
245 2019/9/6 33℃ 20℃ 晴 东南风 1级 良
246 2019/9/1 33℃ 19℃ 多云~晴 西南风 2级 良
247 2019/9/2 34℃ 20℃ 晴 南风 2级 良
'''
#方法四 讲日期转换成datetime类型
df1['日期'] = pd.to_datetime(df1['日期'])
df1.set_index('日期',inplace=True,drop=True)
#print(df1['2019']) #取2019年数据，或者df.loc['2019']
print(df1['2019/09'].head())
'''
取201909月数据，其他变形写法df['2019-9'] df['2019-09'] df['2019/9'] df.loc['2019-9',:] df.loc['2019-09',:] df.loc['2019/09',:] df.loc['2019/9',:]
打印：
最高温度 最低温度 天气 风向 风级 空气质量
日期
2019-09-04 32℃ 19℃ 晴 东南风 2级 良
2019-09-05 33℃ 20℃ 晴 东南风 2级 良
2019-09-06 33℃ 20℃ 晴 东南风 1级 良
2019-09-01 33℃ 19℃ 多云~晴 西南风 2级 良
2019-09-02 34℃ 20℃ 晴 南风 2级 良
'''
#注意如果要获取某一天的数据，则必须使用切片，比如df['2019/9/1':'2019/9/1']
'''
获取一段时间
df1.truncate(after = '2019-9-01') # 返回 after 以前的数据
df1.truncate(before = '2019-9-01') # 返回 before 以后的数据
df1['20190901':'2019/9/10']
'''
#方法五 #读取文件时，通过parse_dates=['日期'],将日期转化为datetime类型，相当于 pd.to_datetime。同时可以使用index_col将那一列作为的行索引，相当有set_index。
df2 = pd.read_csv('./TianQi.csv',parse_dates=['日期'])
df2['年'] = df2['日期'].dt.year
df2['月'] = df2['日期'].dt.month
qstr = "年=='2019' and 月=='9'"
print(df2.query(qstr).head())
'''
打印：
日期 最高温度 最低温度 天气 风向 风级 空气质量 年 月
243 2019-09-04 32℃ 19℃ 晴 东南风 2级 良 2019 9
244 2019-09-05 33℃ 20℃ 晴 东南风 2级 良 2019 9
245 2019-09-06 33℃ 20℃ 晴 东南风 1级 良 2019 9
246 2019-09-01 33℃ 19℃ 多云~晴 西南风 2级 良 2019 9
247 2019-09-02 34℃ 20℃ 晴 南风 2级 良 2019 9
'''
'''
dt的其他常用属性和方法如下：
df['日期'].dt.day # 提取日期
df['日期'].dt.year # 提取年份
df['日期'].dt.hour # 提取小时
df['日期'].dt.minute # 提取分钟
df['日期'].dt.second # 提取秒
df['日期'].dt.week # 一年中的第几周
df['日期'].dt.weekday # 返回一周中的星期几，0代表星期一，6代表星期天
df['日期'].dt.dayofyear # 返回一年的第几天
df['日期'].dt.quarter # 得到每个日期分别是第几个季度。
df['日期'].dt.is_month_start # 判断日期是否是每月的第一天
df['日期'].dt.is_month_end # 判断日期是否是每月的最后一天
df['日期'].dt.is_leap_year # 判断是否是闰年
df['日期'].dt.month_name() # 返回月份的英文名称
df['日期'].dt.to_period('Q') # M 表示月份，Q 表示季度，A 表示年度，D 表示按天
df['日期'].dt.weekday_name # 返回星期几的英文 由于pandas版本问题，改变pandas版本在cmd中输入：pip install --upgrade pandas==0.25.3
Series.dt.normalize() # 函数将给定系列对象中的时间转换为午夜。
'''到此这篇关于pandas 按日期范围筛选数据的实现的文章就介绍到这了,更多相关pandas 日期范围筛选内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！