Python 选择过去X个月的数据
我想选择过去4个月的数据。我想从月初开始,所以如果现在是7月28日,我想从3月1日到7月28日收集数据 目前我使用的是DateOffset,我意识到它调用的是March28-July28,遗漏了我的很多数据Python 选择过去X个月的数据,python,datetime,pandas,dataframe,relativedelta,Python,Datetime,Pandas,Dataframe,Relativedelta,我想选择过去4个月的数据。我想从月初开始,所以如果现在是7月28日,我想从3月1日到7月28日收集数据 目前我使用的是DateOffset,我意识到它调用的是March28-July28,遗漏了我的很多数据 df = pd.read_csv('MyData.csv') df['recvd_dttm'] = pd.to_datetime(df['recvd_dttm']) #Only retrieve data before now (ignore typos that are future
df = pd.read_csv('MyData.csv')
df['recvd_dttm'] = pd.to_datetime(df['recvd_dttm'])
#Only retrieve data before now (ignore typos that are future dates)
mask = df['recvd_dttm'] <= datetime.datetime.now()
df = df.loc[mask]
# get first and last datetime for final week of data
range_max = df['recvd_dttm'].max()
range_min = range_max - pd.DateOffset(months=4)
# take slice with final week of data
df = df[(df['recvd_dttm'] >= range_min) &
(df['recvd_dttm'] <= range_max)]
我查找了其他答案,发现了这个:所以我尝试使用relativedeltamonths=-4,得到了一个值错误:长度不匹配:预期轴有1个元素,新值有3个元素
任何帮助都将不胜感激。您可以使用pd.tseries.offset.MonthBegin
令人惊叹的再次感谢你,简。@jenryb谢谢你邀请我回答这个问题。我只发布一个可能的解决方案,并让我知道它是否有效-
import pandas as pd
# simulate some data
# =================================
np.random.seed(0)
date_rng = pd.date_range('2015-01-01', '2015-07-28', freq='D')
df = pd.DataFrame(np.random.randn(len(date_rng)), index=date_rng, columns=['col'])
df
col
2015-01-01 1.7641
2015-01-02 0.4002
2015-01-03 0.9787
2015-01-04 2.2409
2015-01-05 1.8676
2015-01-06 -0.9773
2015-01-07 0.9501
2015-01-08 -0.1514
... ...
2015-07-21 -0.2394
2015-07-22 1.0997
2015-07-23 0.6553
2015-07-24 0.6401
2015-07-25 -1.6170
2015-07-26 -0.0243
2015-07-27 -0.7380
2015-07-28 0.2799
[209 rows x 1 columns]
# processing
# ===============================
start_date = df.index[-1] - pd.tseries.offsets.MonthBegin(5)
# output: Timestamp('2015-03-01 00:00:00')
df[start_date:]
col
2015-03-01 -0.3627
2015-03-02 -0.6725
2015-03-03 -0.3596
2015-03-04 -0.8131
2015-03-05 -1.7263
2015-03-06 0.1774
2015-03-07 -0.4018
2015-03-08 -1.6302
... ...
2015-07-21 -0.2394
2015-07-22 1.0997
2015-07-23 0.6553
2015-07-24 0.6401
2015-07-25 -1.6170
2015-07-26 -0.0243
2015-07-27 -0.7380
2015-07-28 0.2799
[150 rows x 1 columns]