Pandas 给定一个日期时两个日期之间的月数 输入测向
注意:Pandas 给定一个日期时两个日期之间的月数 输入测向,pandas,Pandas,注意:Date1的类型是datetime64[ns] 球门 我想计算Date1列和'2019-01-01'之间的月差 试一试 我尝试了下面的答案,但失败如下: df['Date1'].dt.to_period('M') - pd.to_datetime('2019-01-01').to_period('M') 注:熊猫版本:1.1.5 我认为这应该有效: date_ref = pd.to_datetime('2019-01-01') df["mo_since_2019_01&qu
Date1
的类型是datetime64[ns]
球门
我想计算Date1列和'2019-01-01'
之间的月差
试一试
我尝试了下面的答案,但失败如下:
df['Date1'].dt.to_period('M') - pd.to_datetime('2019-01-01').to_period('M')
- 注:熊猫版本:1.1.5
- 我认为这应该有效:
date_ref = pd.to_datetime('2019-01-01')
df["mo_since_2019_01"] = (df.Date1.dt.year - date_ref.year).values*12 + (df.Date1.dt.month - date_ref.month)
month_delta = (date2.year - date1.year)*12 + (date2.month - date1.month)
输出:
Date1 mo_since_2019_01
0 2019-01-23 0
1 2020-02-01 13
尝试:
输入:
Date1
0 2019-01-23
1 2020-02-01
2 2020-05-01
3 2020-06-01
输出:
Date1 Diff
0 2019-01-23 0
1 2020-02-01 13
2 2020-05-01 16
3 2020-06-01 17
使用此解决方案,您不需要进一步导入,因为它只计算固定开始日期和可变结束日期之间的
pd.date\u range()
长度:
def relative_months(start, end, freq="M"):
if start < end:
x = len(pd.date_range(start=start,end=end,freq=freq))
else:
x = - len(pd.date_range(start=end,end=start,freq=freq))
return x
start = pd.to_datetime("2019-01-01")
df['relative_months'] = df['Date1'].apply(lambda end: relative_months(start, end, freq="M"))
定义相对月份(开始、结束、频率=“M”):
如果开始<结束:
x=长度(局部放电日期\范围(开始=开始,结束=结束,频率=频率))
其他:
x=-len(局部放电日期\范围(开始=结束,结束=开始,频率=频率))
返回x
开始时间=截止日期时间(“2019-01-01”)
df['relative_months']=df['Date1']。应用(lambda end:relative_months(start,end,freq=“M”))
就你的具体情况而言,我认为应该是最快/有利的;然而,我的变体允许使用for date offset,如
'M'
,'D'
,…并允许您专门处理“负”相对偏移的边缘情况(即,如果您的比较日期不早于Date1
中的所有日期,会发生什么情况).您的解决方案应通过将句点转换为整数来更改,第二个值使用一个元素列表['2019-01-01']
:
df['new'] = (df['Date1'].dt.to_period('M').astype(int) -
pd.to_datetime(['2019-01-01']).to_period('M').astype(int))
print (df)
Date1 new
0 2019-01-23 0
1 2020-02-01 13
如果比较解决方案:
rng = pd.date_range('1900-04-03', periods=3000, freq='MS')
df = pd.DataFrame({'Date1': rng})
In [106]: %%timeit
...: date_ref = pd.to_datetime('2019-01-01')
...: df["mo_since_2019_01"] = (df.Date1.dt.year - date_ref.year).values*12 + (df.Date1.dt.month - date_ref.month)
...:
1.57 ms ± 8.18 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
In [107]: %%timeit
...: df['new'] = (df['Date1'].dt.to_period('M').astype(int) - pd.to_datetime(['2019-01-01']).to_period('M').astype(int))
...:
1.32 ms ± 19.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
发动机罩下有环,因此速度较慢:
In [109]: %%timeit
...: start = pd.to_datetime("2019-01-01")
...: df['relative_months'] = df['Date1'].apply(lambda end: relative_months(start, end, freq="M"))
...:
25.7 s ± 729 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [110]: %%timeit
...: rd = df['Date1'].apply(lambda x:relativedelta(x,date(2019,1,1)))
...: mon = rd.apply(lambda x: ((x.years * 12) + x.months))
...: df['Diff'] = mon
...:
94.2 ms ± 431 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
您是否将
Date1
转换为带有pd.to_datetime()
的实际日期类型?@PauloMarques无需,请参阅我的更新。@Jack-所以您想忽略年份,只计算月差?例如,2020-02-01和2019-01-01之间的月差为“1”?@Sharathnanaraj否,它必须结束年份。例如,它将是13。我不理解你的答案,它似乎与我的问题不匹配。更新的解决方案请记住包括必要的导入,我猜:来自dateutil.relativedelta导入relativedelta
和来自datetime导入日期
Tats right@Asmus
rng = pd.date_range('1900-04-03', periods=3000, freq='MS')
df = pd.DataFrame({'Date1': rng})
In [106]: %%timeit
...: date_ref = pd.to_datetime('2019-01-01')
...: df["mo_since_2019_01"] = (df.Date1.dt.year - date_ref.year).values*12 + (df.Date1.dt.month - date_ref.month)
...:
1.57 ms ± 8.18 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
In [107]: %%timeit
...: df['new'] = (df['Date1'].dt.to_period('M').astype(int) - pd.to_datetime(['2019-01-01']).to_period('M').astype(int))
...:
1.32 ms ± 19.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
In [109]: %%timeit
...: start = pd.to_datetime("2019-01-01")
...: df['relative_months'] = df['Date1'].apply(lambda end: relative_months(start, end, freq="M"))
...:
25.7 s ± 729 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [110]: %%timeit
...: rd = df['Date1'].apply(lambda x:relativedelta(x,date(2019,1,1)))
...: mon = rd.apply(lambda x: ((x.years * 12) + x.months))
...: df['Diff'] = mon
...:
94.2 ms ± 431 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)