导航：首页 > 开发技术 >

Pandas中怎么按日期筛选、显示及统计数据

发表于：2025-01-22 作者：千家信息网编辑

千家信息网最后更新 2025年01月22日，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 w

千家信息网最后更新 2025年01月22日Pandas中怎么按日期筛选、显示及统计数据

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. '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. '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. 'pandas.core.series.Series'>

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'])

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'])

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))

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

8. print(df_period.head())

1. 'pandas.core.frame.DataFrame'>

2. '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，欢迎关注行业资讯频道！

很赞哦！

数据统计日期季度类型统计数据频率年度不同时期参考下图区间月度篇文章工作直观内容函数建议数据库的安全要保护哪些东西数据库安全各自的含义是什么生产安全数据库录入数据库的安全性及管理数据库安全策略包含哪些海淀数据库安全审计系统建立农村房屋安全信息数据库易用的数据库客户端支持安全管理连接数据库失败ssl安全错误数据库的锁怎样保障安全图形化建模软件开发连接另外一台计算机的数据库本田云数据库常见网络安全防护常识数据库学习意义遇到软件开发钱不给冀信网络安全竞赛试题陕西手机软件开发方案珠海直播电商软件开发怎么学ios软件开发网络安全法制小报图片施乐560服务器计算机软件技术与软件开发数据库赚钱网络安全跟软件技术的区别软件开发外包平台比较网络技术单元习题怎么清理微信文档及数据库软件开发面试会问框架底层吗广州福盈网络技术有限公司数据库老师讲课太快了网络安全审查运满满什么时候结束山东网络安全公司陈承曦网络技术与多媒体通信安宁高密度存储服务器加盟网络安全法策划书数据库中的技术有哪些问题半高显卡 2u服务器大数据日志审计服务器徐州软件开发售后保障

千家信息网

千家信息网

Pandas中怎么按日期筛选、显示及统计数据

Java中常见的坑有哪些

Linux怎么获取root权限

相关文章