新闻资讯  快讯  焦点  财经  政策  社会
互 联 网   电商  金融  数据  计算  技巧
生活百科  科技  职场  健康  法律  汽车
手机百科  知识  软件  修理  测评  微信
软件技术  应用  系统  图像  视频  经验
硬件技术  知识  技术  测评  选购  维修
网络技术  硬件  软件  设置  安全  技术
程序开发  语言  移动  数据  开源  百科
安全防护  资讯  黑客  木马  病毒  移动
站长技术  搜索  SEO  推广  媒体  移动
财经百科  股票  知识  理财  财务  金融
教育考试  育儿  小学  高考  考研  留学
您当前的位置:首页 > IT百科 > 数据库 > 百科

时间序列:DataFrame数据查询方法

时间:2019-12-02 13:40:19  来源:  作者:

时间序列:DataFrame数据查询方法

一起学习,一起成长!

DataFrame数据结构对查询方式是数据处理与分析中经常使用对。比如,我们通常使用对excel数据文件,通常都是这种数据结构。所以,该数据结构对数据查询或称数据过滤方式极为重要,具体内容如下:

In [41]: dates=pd.date_range('1/1/2019',periods=100,freq='W-WED')

In [42]: long_df=DataFrame(np.random.randn(100,4),index=dates,columns=['字段1','字段2','字段3','字段4'])

字符串查询

In [43]: long_df['1/2019']

Out[43]:

字段1 字段2 字段3 字段4

2019-01-02 -0.612222 -1.040934 2.082731 1.348500

2019-01-09 -0.335291 0.381831 0.744737 0.651845

2019-01-16 0.286719 0.661222 0.064456 1.137021

2019-01-23 1.217550 -0.099077 1.297057 -0.570431

2019-01-30 -0.852166 -0.794072 1.374697 0.260344

In [44]: long_df[['字段1','字段2']]['1/2019']

Out[44]:

字段1 字段2

2019-01-02 -0.612222 -1.040934

2019-01-09 -0.335291 0.381831

2019-01-16 0.286719 0.661222

2019-01-23 1.217550 -0.099077

2019-01-30 -0.852166 -0.794072

In [45]: long_df[['字段1','字段2']]['1/2/2019':'1/10/2019']

Out[45]:

字段1 字段2

2019-01-02 -0.612222 -1.040934

2019-01-09 -0.335291 0.381831

In [46]: long_df[['字段1','字段2']][:'1/10/2019']

Out[46]:

字段1 字段2

2019-01-02 -0.612222 -1.040934

2019-01-09 -0.335291 0.381831

In [47]: long_df[['字段1','字段2']][:'2/10/2019']

Out[47]:

字段1 字段2

2019-01-02 -0.612222 -1.040934

2019-01-09 -0.335291 0.381831

2019-01-16 0.286719 0.661222

2019-01-23 1.217550 -0.099077

2019-01-30 -0.852166 -0.794072

2019-02-06 -0.029565 0.044062

datetime查询

In [53]: long_df[['字段1','字段2']][datetime(2019,1,5):datetime(2019,2,15)]

Out[53]:

字段1 字段2

2019-01-09 -0.335291 0.381831

2019-01-16 0.286719 0.661222

2019-01-23 1.217550 -0.099077

2019-01-30 -0.852166 -0.794072

2019-02-06 -0.029565 0.044062

2019-02-13 0.783809 -0.098006

In [58]: long_df[['字段1','字段2']][:datetime(2019,2,6)]

Out[58]:

字段1 字段2

2019-01-02 -0.612222 -1.040934

2019-01-09 -0.335291 0.381831

2019-01-16 0.286719 0.661222

2019-01-23 1.217550 -0.099077

2019-01-30 -0.852166 -0.794072

2019-02-06 -0.029565 0.044062

使用truncate进行查询

In [60]: long_df[['字段1','字段2']].truncate(after='2/6/2019')

Out[60]:

字段1 字段2

2019-01-02 -0.612222 -1.040934

2019-01-09 -0.335291 0.381831

2019-01-16 0.286719 0.661222

2019-01-23 1.217550 -0.099077

2019-01-30 -0.852166 -0.794072

2019-02-06 -0.029565 0.044062

In [62]: long_df[['字段1','字段2']].truncate(before='1/20/2019',after='2/6/2019')

Out[62]:

字段1 字段2

2019-01-23 1.217550 -0.099077

2019-01-30 -0.852166 -0.794072

2019-02-06 -0.029565 0.044062



Tags:DataFrame   点击:()  评论:()
声明:本站部分内容来自互联网,内容观点仅代表作者本人,如有任何版权侵犯请与我们联系,我们将立即删除。
▌相关评论
发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表
▌相关推荐
一起学习,一起成长!DataFrame数据结构对查询方式是数据处理与分析中经常使用对。比如,我们通常使用对excel数据文件,通常都是这种数据结构。所以,该数据结构对数据查询或称数据...【详细内容】
2019-12-02   DataFrame  点击:(0)  评论:(0)  加入收藏
相关文章
    无相关信息
最新更新
栏目热门
栏目头条