Python 熊猫选择最后20天的数据。
我有一个简单的问题,似乎找不到确切的答案 假设我有一个包含日期、打开、高、低、关闭和音量的数据框 我想做的是首先找到我可以使用的当前日期:Python 熊猫选择最后20天的数据。,python,pandas,data-science,Python,Pandas,Data Science,我有一个简单的问题,似乎找不到确切的答案 假设我有一个包含日期、打开、高、低、关闭和音量的数据框 我想做的是首先找到我可以使用的当前日期: today = pd.datetime.today().date() 我的问题是从当前日期选择最后20天的数据 我需要选择最后20行,因为我需要在这个数据集的闭合列中找到最高值和最低值 任何指示都会很有帮助。我在谷歌搜索了一段时间,一直在寻找不同的答案 谢谢 下面的代码就是一个例子 作为pd进口熊猫 将numpy作为np导入 今天=pd.datetime.
today = pd.datetime.today().date()
我的问题是从当前日期选择最后20天的数据
我需要选择最后20行,因为我需要在这个数据集的闭合列中找到最高值和最低值
任何指示都会很有帮助。我在谷歌搜索了一段时间,一直在寻找不同的答案
谢谢 下面的代码就是一个例子 作为pd进口熊猫 将numpy作为np导入 今天=pd.datetime.today.date df=pd.DataFrame{date:pd.date_范围'20170901','20170930',freq='D', 开放:np.random.rand30, 高:np.random.rand30, 低:np.random.rand30, 关闭:np.random.rand30, 卷:np.random.rand30}, 列=[日期、开盘、高位、低位、收盘、成交量] 所选日期=pd.date\u rangetoday-pd.to\u timedelta20,单位为'd',今天,频率为'd' df_selected=df[df[date]。IsSelected_date] 出[40]: 日期开盘高收盘低成交量 7 2017-09-08 0.790424 0.999621 0.139619 0.669588 0.476784 8 2017-09-09 0.190239 0.439975 0.362905 0.018472 0.905773 9 2017-09-10 0.184327 0.686411 0.124636 0.741130 0.132774 10 2017-09-11 0.346019 0.022173 0.422704 0.159098 0.011801 11 2017-09-12 0.549928 0.228514 0.851650 0.824209 0.756816 12 2017-09-13 0.413550 0.994019 0.340958 0.905432 0.289316 13 2017-09-14 0.435034 0.485978 0.768520 0.534148 0.276084 14 2017-09-15 0.839840 0.775490 0.481123 0.911378 0.928908 15 2017-09-16 0.442393 0.512893 0.519516 0.844619 0.813230 16 2017-09-17 0.723789 0.646345 0.081776 0.388496 0.391421 17 2017-09-18 0.964289 0.849776 0.156879 0.663885 0.062165 18 2017-09-19 0.001000 0.174666 0.694151 0.777330 0.739554 19 2017-09-20 0.426997 0.541273 0.789910 0.218263 0.748694 20 2017-09-21 0.217904 0.295377 0.087909 0.765242 0.555663 21 2017-09-22 0.910734 0.848182 0.476946 0.374580 0.079900 22 2017-09-23 0.160963 0.795219 0.956262 0.744048 0.645552 23 2017-09-24 0.412634 0.722252 0.226693 0.524794 0.910259 24 2017-09-25 0.535072 0.131761 0.931164 0.618055 0.542512 25 2017-09-26 0.697222 0.552784 0.537899 0.773403 0.916538 26 2017-09-27 0.257628 0.479550 0.539444 0.540076 0.344933 27 2017-09-28 0.270114 0.914036 0.137004 0.939907 0.736016 此外,闭合项的最大值和最小值如下所示。
如果您只是想要数据帧的最后20行,那么可以使用df[-20:]。相反,如果您想在20天前获得日期,则必须将pd.Timedelta-19设置为unit='d'+pd.datetime.today.date 设置 解决方案 使用日期时间索引切片。非常简单明了,熊猫开发人员打算解决这个问题。 注意:这与过去20天内有多少行无关,它只会捕获所有行。这就是我认为OP想要的
df[today - pd.offsets.Day(20):]
O H L C
2017-09-09 0.537892 0.852527 0.082807 0.966297
2017-09-12 0.104929 0.803415 0.345942 0.245934
2017-09-15 0.085703 0.743497 0.256762 0.530267
2017-09-18 0.823960 0.397983 0.173706 0.091678
2017-09-21 0.211412 0.980942 0.833802 0.763510
2017-09-24 0.312950 0.850760 0.913519 0.846466
2017-09-27 0.921168 0.568595 0.460656 0.016313
主席先生,我会在8小时前向你投一票。要学的东西太多了。
In [1]: index = pd.date_range(start=(pd.Timedelta(-30, unit='d')+pd.datetime.today().date()), periods=31)
In [2]: df = pd.DataFrame(np.random.rand(31, 4), index=index, columns=['O', 'H', 'L', 'C'])
In [3]: df = df.reset_index().rename(columns={'index': 'Date'})
In [4]: df
Out[4]:
Date O H L C
0 2017-08-28 0.616856 0.518961 0.378005 0.716371
1 2017-08-29 0.300977 0.652217 0.713013 0.842369
2 2017-08-30 0.875668 0.232998 0.566047 0.969647
3 2017-08-31 0.273934 0.086575 0.386617 0.390749
4 2017-09-01 0.667561 0.336419 0.648809 0.619215
5 2017-09-02 0.988234 0.563675 0.402908 0.671333
6 2017-09-03 0.111710 0.549302 0.321546 0.201828
7 2017-09-04 0.469041 0.736152 0.345069 0.336593
8 2017-09-05 0.674844 0.276839 0.350289 0.862777
9 2017-09-06 0.128124 0.968918 0.713846 0.415061
10 2017-09-07 0.920488 0.252980 0.573531 0.270999
11 2017-09-08 0.113368 0.781649 0.190273 0.758834
12 2017-09-09 0.414453 0.545572 0.761805 0.586717
13 2017-09-10 0.348459 0.830177 0.779591 0.783887
14 2017-09-11 0.571877 0.230465 0.262744 0.360188
15 2017-09-12 0.844286 0.821388 0.312319 0.473672
16 2017-09-13 0.605548 0.570590 0.457141 0.882498
17 2017-09-14 0.242154 0.066617 0.028913 0.969698
18 2017-09-15 0.725521 0.742362 0.904866 0.890942
19 2017-09-16 0.460858 0.749581 0.429131 0.723394
20 2017-09-17 0.767445 0.452113 0.906294 0.978368
21 2017-09-18 0.342970 0.702579 0.029031 0.743489
22 2017-09-19 0.221478 0.339948 0.403478 0.349097
23 2017-09-20 0.147785 0.633542 0.692545 0.194496
24 2017-09-21 0.656189 0.419257 0.099094 0.708530
25 2017-09-22 0.329901 0.087101 0.683207 0.558431
26 2017-09-23 0.902550 0.155262 0.304506 0.756210
27 2017-09-24 0.072132 0.045242 0.058175 0.755649
28 2017-09-25 0.149873 0.340870 0.198454 0.725051
29 2017-09-26 0.972721 0.505842 0.886602 0.231916
30 2017-09-27 0.511109 0.990975 0.330336 0.898291
In [5]: df[-20:]
Out[5]:
Date O H L C
11 2017-09-08 0.113368 0.781649 0.190273 0.758834
12 2017-09-09 0.414453 0.545572 0.761805 0.586717
13 2017-09-10 0.348459 0.830177 0.779591 0.783887
14 2017-09-11 0.571877 0.230465 0.262744 0.360188
15 2017-09-12 0.844286 0.821388 0.312319 0.473672
16 2017-09-13 0.605548 0.570590 0.457141 0.882498
17 2017-09-14 0.242154 0.066617 0.028913 0.969698
18 2017-09-15 0.725521 0.742362 0.904866 0.890942
19 2017-09-16 0.460858 0.749581 0.429131 0.723394
20 2017-09-17 0.767445 0.452113 0.906294 0.978368
21 2017-09-18 0.342970 0.702579 0.029031 0.743489
22 2017-09-19 0.221478 0.339948 0.403478 0.349097
23 2017-09-20 0.147785 0.633542 0.692545 0.194496
24 2017-09-21 0.656189 0.419257 0.099094 0.708530
25 2017-09-22 0.329901 0.087101 0.683207 0.558431
26 2017-09-23 0.902550 0.155262 0.304506 0.756210
27 2017-09-24 0.072132 0.045242 0.058175 0.755649
28 2017-09-25 0.149873 0.340870 0.198454 0.725051
29 2017-09-26 0.972721 0.505842 0.886602 0.231916
30 2017-09-27 0.511109 0.990975 0.330336 0.898291
In [6]: df[df.Date.isin(pd.date_range(pd.Timedelta(-19, unit='d')+pd.datetime.today().date(), periods=20))]
Out[6]:
Date O H L C
11 2017-09-08 0.113368 0.781649 0.190273 0.758834
12 2017-09-09 0.414453 0.545572 0.761805 0.586717
13 2017-09-10 0.348459 0.830177 0.779591 0.783887
14 2017-09-11 0.571877 0.230465 0.262744 0.360188
15 2017-09-12 0.844286 0.821388 0.312319 0.473672
16 2017-09-13 0.605548 0.570590 0.457141 0.882498
17 2017-09-14 0.242154 0.066617 0.028913 0.969698
18 2017-09-15 0.725521 0.742362 0.904866 0.890942
19 2017-09-16 0.460858 0.749581 0.429131 0.723394
20 2017-09-17 0.767445 0.452113 0.906294 0.978368
21 2017-09-18 0.342970 0.702579 0.029031 0.743489
22 2017-09-19 0.221478 0.339948 0.403478 0.349097
23 2017-09-20 0.147785 0.633542 0.692545 0.194496
24 2017-09-21 0.656189 0.419257 0.099094 0.708530
25 2017-09-22 0.329901 0.087101 0.683207 0.558431
26 2017-09-23 0.902550 0.155262 0.304506 0.756210
27 2017-09-24 0.072132 0.045242 0.058175 0.755649
28 2017-09-25 0.149873 0.340870 0.198454 0.725051
29 2017-09-26 0.972721 0.505842 0.886602 0.231916
30 2017-09-27 0.511109 0.990975 0.330336 0.898291
today = pd.datetime.today().date()
df = pd.DataFrame(
np.random.rand(20, 4),
pd.date_range(end=today, periods=20, freq='3D'),
columns=['O', 'H', 'L', 'C'])
df
O H L C
2017-08-01 0.821996 0.894122 0.829814 0.429701
2017-08-04 0.883512 0.668642 0.524440 0.914845
2017-08-07 0.035753 0.231787 0.421547 0.163865
2017-08-10 0.742781 0.293591 0.874033 0.054421
2017-08-13 0.252422 0.632991 0.547044 0.650622
2017-08-16 0.316752 0.190016 0.504701 0.827450
2017-08-19 0.777069 0.533121 0.329742 0.603473
2017-08-22 0.843260 0.546845 0.600270 0.060620
2017-08-25 0.834180 0.395653 0.189499 0.820043
2017-08-28 0.806369 0.850968 0.753335 0.902687
2017-08-31 0.336096 0.145325 0.876519 0.114923
2017-09-03 0.590195 0.946520 0.009151 0.832992
2017-09-06 0.901101 0.616852 0.375829 0.332625
2017-09-09 0.537892 0.852527 0.082807 0.966297
2017-09-12 0.104929 0.803415 0.345942 0.245934
2017-09-15 0.085703 0.743497 0.256762 0.530267
2017-09-18 0.823960 0.397983 0.173706 0.091678
2017-09-21 0.211412 0.980942 0.833802 0.763510
2017-09-24 0.312950 0.850760 0.913519 0.846466
2017-09-27 0.921168 0.568595 0.460656 0.016313
df[today - pd.offsets.Day(20):]
O H L C
2017-09-09 0.537892 0.852527 0.082807 0.966297
2017-09-12 0.104929 0.803415 0.345942 0.245934
2017-09-15 0.085703 0.743497 0.256762 0.530267
2017-09-18 0.823960 0.397983 0.173706 0.091678
2017-09-21 0.211412 0.980942 0.833802 0.763510
2017-09-24 0.312950 0.850760 0.913519 0.846466
2017-09-27 0.921168 0.568595 0.460656 0.016313