Python 按日期索引上的条件筛选数据帧
我用Python 按日期索引上的条件筛选数据帧,python,pandas,date,datetime,dataframe,Python,Pandas,Date,Datetime,Dataframe,我用frame['date\u created']创建了一个带有值的熊猫系列。value\u counts()。sort\u index() 但我想过滤这个系列,以获得2017年及以上日期的数据。如何过滤此内容?str[…]切片 很简单,如果您处理的是字符串索引,那么切片、转换和比较: v = frame['date_created'].value_counts().sort_index() v_2017 = v[v.index.str[:4].astype(int) >= 2017]
frame['date\u created']创建了一个带有值的熊猫系列。value\u counts()。sort\u index()
但我想过滤这个系列,以获得2017年及以上日期的数据。如何过滤此内容?str[…]
切片
很简单,如果您处理的是字符串索引,那么切片、转换和比较:
v = frame['date_created'].value_counts().sort_index()
v_2017 = v[v.index.str[:4].astype(int) >= 2017]
pd.to_datetime
或者,强制转换为datetime-
v_2017 = v[pd.to_datetime(v.index).year >= 2017]
print(v_2017)
2017-05 5
2017-07 2
2017-08 13
2017-09 40
2017-10 47
2017-11 40
2017-12 26
2018-01 16
Name: 1, dtype: int64
str[…]
切片
很简单,如果您处理的是字符串索引,那么切片、转换和比较:
v = frame['date_created'].value_counts().sort_index()
v_2017 = v[v.index.str[:4].astype(int) >= 2017]
pd.to_datetime
或者,强制转换为datetime-
v_2017 = v[pd.to_datetime(v.index).year >= 2017]
print(v_2017)
2017-05 5
2017-07 2
2017-08 13
2017-09 40
2017-10 47
2017-11 40
2017-12 26
2018-01 16
Name: 1, dtype: int64
这里有一种方法:
import pandas as pd
df = pd.DataFrame({'date_created': ['2013-10','2014-12',
'2015-02','2015-03',
'2015-09','2016-02',
'2016-03','2017-05',
'2017-07','2017-08',
'2017-09','2017-10',
'2017-11','2017-12',
'2018-01'],
'count': [1, 1, 1, 1, 1, 6, 1, 5, 2, 13, 40, 47, 40, 26, 16]})
print(df[df['date_created'].apply(lambda x: int(x.split('-')[0])).gt(2016)])
# count date_created
#7 5 2017-05
#8 2 2017-07
#9 13 2017-08
#10 40 2017-09
#11 47 2017-10
#12 40 2017-11
#13 26 2017-12
#14 16 2018-01
这里有一种方法:
import pandas as pd
df = pd.DataFrame({'date_created': ['2013-10','2014-12',
'2015-02','2015-03',
'2015-09','2016-02',
'2016-03','2017-05',
'2017-07','2017-08',
'2017-09','2017-10',
'2017-11','2017-12',
'2018-01'],
'count': [1, 1, 1, 1, 1, 6, 1, 5, 2, 13, 40, 47, 40, 26, 16]})
print(df[df['date_created'].apply(lambda x: int(x.split('-')[0])).gt(2016)])
# count date_created
#7 5 2017-05
#8 2 2017-07
#9 13 2017-08
#10 40 2017-09
#11 47 2017-10
#12 40 2017-11
#13 26 2017-12
#14 16 2018-01