您好，登录后才能下订单哦！
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
小编给大家分享一下Pandas中怎么按日期筛选、显示及统计数据，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！
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
1. import pandas as pd
从csv文件中读取数据
1. df = pd.read_csv('date.csv', header=None)
2. print(df.head(2))
1. 0 1
2. 0 2013-10-24 3
3. 1 2013-10-25 4
整理数据
1. df.columns = ['date','number']
2. df['date'] = pd.to_datetime(df['date']) #将数据类型转换为日期类型
3. df = df.set_index('date') # 将date设置为index
4. print(df.head(2))
5. print(df.tail(2))
6. print(df.shape)
1. number
2. date
3. 2013-10-24 3
4. 2013-10-25 4
5. number
6. date
7. 2017-02-14 6
8. 2017-02-22 6
9. (425, 1)
df的行数一共是425行。
查看Dataframe的数据类型
1. print(type(df))
2. print(df.index)
3. print(type(df.index))
1. <class 'pandas.core.frame.DataFrame'>
2. DatetimeIndex(['2013-10-24', '2013-10-25', '2013-10-29', '2013-10-30',
3. '2013-11-04', '2013-11-06', '2013-11-08', '2013-11-12',
4. '2013-11-14', '2013-11-25',
5. ...
6. '2017-01-03', '2017-01-07', '2017-01-14', '2017-01-17',
7. '2017-01-23', '2017-01-25', '2017-01-26', '2017-02-07',
8. '2017-02-14', '2017-02-22'],
9. dtype='datetime64[ns]', name='date', length=425, freq=None)
10. <class 'pandas.tseries.index.DatetimeIndex'>
构造Series类型数据
1. s = pd.Series(df['number'], index=df.index)
2. print(type(s))
3. s.head(2)
1. <class 'pandas.core.series.Series'>
2.
3. date
4. 2013-10-24 3
5. 2013-10-25 4
6. Name: number, dtype: int64
2 按日期筛选数据
按年度获取数据
1. print('---------获取2013年的数据-----------')
2. print(df['2013'].head(2)) # 获取2013年的数据
3. print(df['2013'].tail(2)) # 获取2013年的数据
1. ---------获取2013年的数据-----------
2. number
3. date
4. 2013-10-24 3
5. 2013-10-25 4
6. number
7. date
8. 2013-12-27 2
9. 2013-12-30 2
获取2016至2017年的数据
1. print('---------获取2016至2017年的数据-----------')
2. print(df['2016':'2017'].head(2)) #获取2016至2017年的数据
3. print(df['2016':'2017'].tail(2)) #获取2016至2017年的数据
1. ---------获取2016至2017年的数据-----------
2. number
3. date
4. 2016-01-04 4
5. 2016-01-07 6
6. number
7. date
8. 2017-02-14 6
9. 2017-02-22 6
获取某月的数据
1. print('---------获取某月的数据-----------')
2. print(df['2013-11']) # 获取某月的数据
1. ---------获取某月的数据-----------
2. number
3. date
4. 2013-11-04 1
5. 2013-11-06 3
6. 2013-11-08 1
7. 2013-11-12 5
8. 2013-11-14 2
9. 2013-11-25 1
10. 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：
1. # 按日期筛选数据
2. print('---------获取具体某天的数据-----------')
3. # 获取具体某天的数据
4. print(s['2013-11-06'])
5.
6. # 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
7. # print(df['2013-11-06'])
8.
9. #可以考虑用区间来获取某天的数据
10. print(df['2013-11-06':'2013-11-06'])
1. ---------获取具体某天的数据-----------
2. 3
3. number
4. date
5. 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
1. # 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
2. # 但一般建议直接用切片（slice），这样更为直观，方便
3. print('---------获取某个时期之前或之后的数据-----------')
4. print('--------after------------')
5. print(df.truncate(after = '2013-11'))
6. print('--------before------------')
7. print(df.truncate(before='2017-02'))
1. ---------获取某个时期之前或之后的数据-----------
2. --------after------------
3. number
4. date
5. 2013-10-24 3
6. 2013-10-25 4
7. 2013-10-29 2
8. 2013-10-30 1
9. --------before------------
10. number
11. date
12. 2017-02-07 8
13. 2017-02-14 6
14. 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
1. df_period = df.to_period('M') #按月显示，但不统计
2. print(type(df_period))
3.
4. print(type(df_period.index))
5. # 请注意df.index的数据类型是DatetimeIndex；
6. # df_peirod的数据类型是PeriodIndex
7.
8. print(df_period.head())
1. <class 'pandas.core.frame.DataFrame'>
2. <class 'pandas.tseries.period.PeriodIndex'>
3. number
4. date
5. 2013-10 3
6. 2013-10 4
7. 2013-10 2
8. 2013-10 1
9. 2013-11 1
按季度显示，但不统计
1. print(df.to_period('Q').head()) #按季度显示，但不统计
1. number
2. date
3. 2013Q4 3
4. 2013Q4 4
5. 2013Q4 2
6. 2013Q4 1
7. 2013Q4 1
按年度显示，但不统计
1. print(df.to_period('A').head()) #按年度显示，但不统计
1. number
2. date
3. 2013 3
4. 2013 4
5. 2013 2
6. 2013 1
7. 2013 1
3.2 asfreq()方法
按年度频率显示
1. df_period.index.asfreq('A') # 'A'默认是'A-DEC',其他如'A-JAN'
1. PeriodIndex(['2013', '2013', '2013', '2013', '2013', '2013', '2013', '2013',
2. '2013', '2013',
3. ...
4. '2017', '2017', '2017', '2017', '2017', '2017', '2017', '2017',
5. '2017', '2017'],
6. dtype='period[A-DEC]', name='date', length=425, freq='A-DEC')
1. df_period.index.asfreq('A-JAN') # 'A'默认是'A-DEC',其他如'A-JAN'
1. PeriodIndex(['2014', '2014', '2014', '2014', '2014', '2014', '2014', '2014',
2. '2014', '2014',
3. ...
4. '2017', '2017', '2017', '2017', '2017', '2017', '2017', '2018',
5. '2018', '2018'],
6. 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
1. df_period.index.asfreq('Q') # 'Q'默认是'Q-DEC',其他如“Q-SEP”，“Q-FEB”
1. PeriodIndex(['2013Q4', '2013Q4', '2013Q4', '2013Q4', '2013Q4', '2013Q4',
2. '2013Q4', '2013Q4', '2013Q4', '2013Q4',
3. ...
4. '2017Q1', '2017Q1', '2017Q1', '2017Q1', '2017Q1', '2017Q1',
5. '2017Q1', '2017Q1', '2017Q1', '2017Q1'],
6. dtype='period[Q-DEC]', name='date', length=425, freq='Q-DEC')
1. df_period.index.asfreq('Q-SEP') # 可以显示不同的季度财年，“Q-SEP”，“Q-FEB”
2. # df_period.index = df_period.index.asfreq('Q-DEC') # 可以显示不同的季度财年，“Q-SEP”，“Q-FEB”
3. # print(df_period.head())
1. PeriodIndex(['2014Q1', '2014Q1', '2014Q1', '2014Q1', '2014Q1', '2014Q1',
2. '2014Q1', '2014Q1', '2014Q1', '2014Q1',
3. ...
4. '2017Q2', '2017Q2', '2017Q2', '2017Q2', '2017Q2', '2017Q2',
5. '2017Q2', '2017Q2', '2017Q2', '2017Q2'],
6. 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
1. df_period.index.asfreq('M') # 按月份显示
1. PeriodIndex(['2013-10', '2013-10', '2013-10', '2013-10', '2013-11', '2013-11',
2. '2013-11', '2013-11', '2013-11', '2013-11',
3. ...
4. '2017-01', '2017-01', '2017-01', '2017-01', '2017-01', '2017-01',
5. '2017-01', '2017-02', '2017-02', '2017-02'],
6. dtype='period[M]', name='date', length=425, freq='M')
按工作日显示
method 1
1. df_period.index.asfreq('B', how='start') # 按工作日期显示
1. PeriodIndex(['2013-10-01', '2013-10-01', '2013-10-01', '2013-10-01',
2. '2013-11-01', '2013-11-01', '2013-11-01', '2013-11-01',
3. '2013-11-01', '2013-11-01',
4. ...
5. '2017-01-02', '2017-01-02', '2017-01-02', '2017-01-02',
6. '2017-01-02', '2017-01-02', '2017-01-02', '2017-02-01',
7. '2017-02-01', '2017-02-01'],
8. dtype='period[B]', name='date', length=425, freq='B')
method 2
1. df_period.index.asfreq('B', how='end') # 按工作日期显示
1. PeriodIndex(['2013-10-31', '2013-10-31', '2013-10-31', '2013-10-31',
2. '2013-11-29', '2013-11-29', '2013-11-29', '2013-11-29',
3. '2013-11-29', '2013-11-29',
4. ...
5. '2017-01-31', '2017-01-31', '2017-01-31', '2017-01-31',
6. '2017-01-31', '2017-01-31', '2017-01-31', '2017-02-28',
7. '2017-02-28', '2017-02-28'],
8. 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
1. print(df.resample('w').sum().head())
2. # “w”，week
1. number
2. date
3. 2013-10-27 7.0
4. 2013-11-03 3.0
5. 2013-11-10 5.0
6. 2013-11-17 7.0
7. 2013-11-24 NaN
按月统计数据
1. print(df.resample('M').sum().head())
2. # "MS"是每个月第一天为开始日期, "M"是每个月最后一天
1. number
2. date
3. 2013-10-31 10
4. 2013-11-30 14
5. 2013-12-31 27
6. 2014-01-31 16
7. 2014-02-28 4
按季度统计数据
1. print(df.resample('Q').sum().head())
2. # "QS"是每个季度第一天为开始日期, "Q"是每个季度最后一天
1. number
2. date
3. 2013-12-31 51
4. 2014-03-31 73
5. 2014-06-30 96
6. 2014-09-30 136
7. 2014-12-31 148
按年统计数据
1. print(df.resample('AS').sum())
2. # "AS"是每年第一天为开始日期, "A是每年最后一天
1. number
2. date
3. 2013-01-01 51
4. 2014-01-01 453
5. 2015-01-01 743
6. 2016-01-01 1552
7. 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
1. print(df.resample('AS').sum().to_period('A'))
2. # 按年统计并显示
1. number
2. date
3. 2013 51
4. 2014 453
5. 2015 743
6. 2016 1552
7. 2017 92
按季度统计并显示
1. print(df.resample('Q').sum().to_period('Q').head())
2. # 按季度统计并显示
1. number
2. date
3. 2013Q4 51
4. 2014Q1 73
5. 2014Q2 96
6. 2014Q3 136
7. 2014Q4 148
按月度统计并显示
1. print(df.resample('M').sum().to_period('M').head())
2. # 按月度统计并显示
1. number
2. date
3. 2013-10 10
4. 2013-11 14
5. 2013-12 27
6. 2014-01 16
7. 2014-02 4
以上是“Pandas中怎么按日期筛选、显示及统计数据”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！
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。