Pandas处理日期数据的常见操作集锦

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/weixin_42782150/article/details/90632688

数据读取及整理

1. 将数据类型转换为日期类型

 df['date'] = pd.to_datetime(df['date'])

   
   

   
   
1

2. 将date设置为index

 df = df.set_index('date')

   
   

   
   
1

3. 获取某年的数据

 print(df['2010'].head())

   
   

   
   
1

4. 获取某月的数据

 print(df['2013-11'].head())

   
   

   
   
1

5. 提取全日期字段中的日期和时间项

data4["订单生成时间"] = pd.to_datetime(data4["订单生成时间"])
data4["时间"] = data4["订单生成时间"].dt.hour   #提取时间
data4["日期"] = data4["订单生成时间"].dt.date   #提取日期

   
   

   
   
1
2
3

获取某个日期之前/后或时间区间的数据

dataframe的.truncate()函数可以截取某个时期之前或之后的数据，或者某个时间区间的数据，进行统计分析。
注意事项：
使用.truncate()函数对df进行数据集截取，遇到截取数据不符合预期，且若时间序列无序会抛出异常
解决措施：
在使用.truncate()函数对df进行数据集截取之前，需要先使用df=df.sort_values(‘date’)‘date’列按时间先后进行排序，然后使用df = df.set_index('date')，将“date”设置为index，最后再使用df_last=df.truncate(after=‘2019-05-22 16:00:00’)提取指定时间节点之前的数据。
函数语法：

DataFrame.truncate(before=None, after=None, axis=None, copy=True)

   
   

   
   
1

参数说明：

before：取值范围：date，string，int，是指截断此索引值之前的所有行
after：取值范围：date，string，int，是指截断此索引值后的所有行
axis：取值范围：{0或’index’，1或’columns’}（可选），是指轴截断。 默认情况截断索引（行）。
copy：取值范围：boolean，默认为True，返回截断部分的副本

常见用法：

1. 获取2014年以后的数据

 print(df.truncate(before='2014').head())

   
   

   
   
1

1. 获取2013-11月之前的数据，用after

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

   
   

   
   
1

3. 获取2016-02月以后的数据，用before

 print(df.truncate(before='2016-02').head())

   
   

   
   
1

4. 获取2019-05-22日16:00:00时之前的数据

 df=data.truncate(after='2019-05-22 16:00:00')

   
   

   
   
1

5. 获取指定时间区间的数据

 df=df['2016-02-2':'2016-02-10']

   
   

   
   
1

6. 获取指定时间区间的数据

 df=df['2016-02-2':'2016-02-10']

   
   

   
   
1

python 获取当前时间及前一天时间

import datetime
from pandas.tseries.offsets import Day
now_time =datetime.datetime.now()#获取当前时间
yes_time = (now_time -1*Day()).strftime('%Y-%m-%d')#格式化
print(yes_time)

   
   

   
   
1
2
3
4
5

pandas的日期时间间隔运算

import datetime
from datetime import timedelta
df_189[‘订单生成日期’]=pd.to_datetime(df_189[‘订单生成日期’]) #修改“订单生成时间”的数据类型
df_189[‘订单生成日期’]+timedelta(days=1) #后一天的日期
df_189[‘订单生成日期’]-timedelta(days=3) #前3天的日期

选取指定时间范围内/外的数据

   ##提取3日前日期和7日前日期
now_time =datetime.datetime.now()#获取当前时间
yes_time_7 = (now_time -7*Day()).strftime('%Y-%m-%d')#格式化
yes_time_3= (now_time-3*Day()).strftime("%Y-%m-%d")
print(yes_time_7)
print('='*50)
print(yes_time_3)
df_189['订单生成日期']=pd.to_datetime(df_189['订单生成日期'])  #修改“订单生成时间”的数据类型
df_189_7= df_189[df_189['订单生成日期']==yes_time_7]
df_189_3= df_189[df_189['订单生成日期']==yes_time_3]
print(df_189_7.info())
 #选取该错误数据对应的时间范围外的数据，多个条件时 '|'代表'或'，'&'代表'且'
  或者
 a= df_189[df_189['订单生成日期']=='2019-06-23']   #筛选2019-06-23的数据

   
   

   
   
1
2
3
4
5
6
7
8
9
10
11
12
13
14

利用pandas计算DataFrame两列日期的间隔小时数

import pandas as pd
#方法一：
#先利用to_datetime转换为时间格式，tm列的数据形式为'yyyy-MM-dd HH:mm:ss'
df['tm_1'] = pd.to_datetime(df['tm_1'])
df['tm_2'] = pd.to_datetime(df['tm_2'])
#利用".dt.seconds"转换为秒，除以相对于的间隔数得到分钟、小时等
df['diff_time'] = (df['tm_1'] - df['tm_2']).dt.seconds/60
#利用round函数可进行四舍五入
df['diff_time'] = round(df['diff_time'])

#方法二，日期相减变为小时；变为天的话将h替换为D即可：
df[‘diff_time’] = (df[‘tm_1’] - df[‘tm_2’]).values/np.timedelta64(1, ‘h’)
#Dataframe中的时间是不能直接进行相加减的,所以需要先用pandas的to_datetime()方法，转化成时间格式进行加减，然后再转换成df格式
#delta=df1[‘Time_end’]-df1[‘Time_start’] #直接报错TypeError: unsupported operand type(s) for -: ‘str’ and ‘str’
#日期相减变为小时；变为天的话将h替换为D即可：
sf_df[‘交易周期’]=pd.DataFrame((pd.to_datetime(sf_df[‘交易完成时间’])-pd.to_datetime(sf_df[‘订单生成时间’])).values/np.timedelta64(1,‘h’))

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

                                </div>
            <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet">
                </div>