Warning: file_get_contents(/data/phpspider/zhask/data//catemap/8/python-3.x/16.json): failed to open stream: No such file or directory in /data/phpspider/zhask/libs/function.php on line 167

Warning: Invalid argument supplied for foreach() in /data/phpspider/zhask/libs/tag.function.php on line 1116

Notice: Undefined index: in /data/phpspider/zhask/libs/function.php on line 180

Warning: array_chunk() expects parameter 1 to be array, null given in /data/phpspider/zhask/libs/function.php on line 181

Warning: file_get_contents(/data/phpspider/zhask/data//catemap/1/typo3/2.json): failed to open stream: No such file or directory in /data/phpspider/zhask/libs/function.php on line 167

Warning: Invalid argument supplied for foreach() in /data/phpspider/zhask/libs/tag.function.php on line 1116

Notice: Undefined index: in /data/phpspider/zhask/libs/function.php on line 180

Warning: array_chunk() expects parameter 1 to be array, null given in /data/phpspider/zhask/libs/function.php on line 181
Python 如何在时间序列中获得一个月的所有行,而不考虑年份?_Python_Python 3.x_Pandas_Dataframe_Time Series - Fatal编程技术网

Python 如何在时间序列中获得一个月的所有行,而不考虑年份?

Python 如何在时间序列中获得一个月的所有行,而不考虑年份?,python,python-3.x,pandas,dataframe,time-series,Python,Python 3.x,Pandas,Dataframe,Time Series,我尝试使用熊猫数据框架进行时间序列分析,发现有简单的方法可以选择特定的列,比如一年中的所有行、两个日期之间的行等等 例如,考虑 ind = pd.date_range('2004-01-01', '2019-08-13') data = np.random.randn(len(ind)) df = pd.DataFrame(d, index=ind) 在这里,我们可以选择日期“2014-01-23”和“2014-06-18”之间的所有行,包括 df['2014-01-23':'2014-06-

我尝试使用熊猫数据框架进行时间序列分析,发现有简单的方法可以选择特定的列,比如一年中的所有行、两个日期之间的行等等

例如,考虑

ind = pd.date_range('2004-01-01', '2019-08-13')
data = np.random.randn(len(ind))
df = pd.DataFrame(d, index=ind)
在这里,我们可以选择日期“2014-01-23”和“2014-06-18”之间的所有行,包括

df['2014-01-23':'2014-06-18']
2015年的所有行中只有

df['2015']
是否有类似的方法来选择属于特定月份但适用于所有年份的所有行

我找到了一些方法,可以使用如下语法获取特定月份和特定年份的所有行

df['01-2015']  #all rows of January 2015
我希望pandas能有一种简单语法的方法来获取一个月的所有行,而不考虑年份。是否存在这种方法?

使用、比较和筛选:

print (df[df.index.month == 1])
                   0
2004-01-01  2.398676
2004-01-02  2.074744
2004-01-03  0.106972
2004-01-04  0.294587
2004-01-05  0.243768
             ...
2019-01-27 -1.623171
2019-01-28 -0.043810
2019-01-29 -0.999764
2019-01-30 -0.928471
2019-01-31 -0.304730

[496 rows x 1 columns]