Selecione linhas DataFrame entre duas datas

Estou criando um DataFrame a partir de um CSV da seguinte maneira:

stock = pd.read_csv('data_in/' + filename + '.csv', skipinitialspace=True)

O DataFrame possui uma coluna de data. Existe uma maneira de criar um novo DataFrame (ou apenas substituir o existente) que contém apenas linhas com valores de data que se enquadram em um intervalo de datas especificado ou entre dois valores de data especificados?

Há duas soluções possíveis:

• Use uma máscara booleana e use df.loc[mask]
• Defina a coluna da data como um DatetimeIndex e use df[start_date : end_date]

Usando uma máscara booleana :

Certifique-se de que df['date']é uma série com dtype datetime64[ns]:

df['date'] = pd.to_datetime(df['date'])  

Faça uma máscara booleana. start_datee end_datepode ser datetime.datetimes, np.datetime64s, pd.Timestamps ou até seqüências de data e hora:

#greater than the start date and smaller than the end date
mask = (df['date'] > start_date) & (df['date'] <= end_date)

Selecione o sub-DataFrame:

df.loc[mask]

ou reatribuir a df

df = df.loc[mask]

Por exemplo,

import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.random((200,3)))
df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')
mask = (df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')
print(df.loc[mask])

rendimentos

            0         1         2       date
153  0.208875  0.727656  0.037787 2000-06-02
154  0.750800  0.776498  0.237716 2000-06-03
155  0.812008  0.127338  0.397240 2000-06-04
156  0.639937  0.207359  0.533527 2000-06-05
157  0.416998  0.845658  0.872826 2000-06-06
158  0.440069  0.338690  0.847545 2000-06-07
159  0.202354  0.624833  0.740254 2000-06-08
160  0.465746  0.080888  0.155452 2000-06-09
161  0.858232  0.190321  0.432574 2000-06-10

Usando um DatetimeIndex :

Se você fizer muitas seleções por data, pode ser mais rápido definir a datecoluna como o primeiro índice. Em seguida, você pode selecionar linhas por data usando df.loc[start_date:end_date].

import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.random((200,3)))
df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')
df = df.set_index(['date'])
print(df.loc['2000-6-1':'2000-6-10'])

rendimentos

                   0         1         2
date                                    
2000-06-01  0.040457  0.326594  0.492136    # <- includes start_date
2000-06-02  0.279323  0.877446  0.464523
2000-06-03  0.328068  0.837669  0.608559
2000-06-04  0.107959  0.678297  0.517435
2000-06-05  0.131555  0.418380  0.025725
2000-06-06  0.999961  0.619517  0.206108
2000-06-07  0.129270  0.024533  0.154769
2000-06-08  0.441010  0.741781  0.470402
2000-06-09  0.682101  0.375660  0.009916
2000-06-10  0.754488  0.352293  0.339337

Enquanto a indexação de lista do Python, por exemplo, seq[start:end]inclui, startmas não end, por outro lado, o Pandas df.loc[start_date : end_date]inclui os dois pontos finais no resultado, se estiverem no índice. Nem start_datenem end_datetem que ser no índice no entanto.

Observe também que pd.read_csvpossui um parse_datesparâmetro que você pode usar para analisar a datecoluna como datetime64s. Portanto, se você usar parse_dates, não precisará usá-lo df['date'] = pd.to_datetime(df['date']).

Eu sinto que a melhor opção será usar as verificações diretas em vez de usar a função loc:

df = df[(df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')]

Funciona para mim.

O principal problema da função loc com uma fatia é que os limites devem estar presentes nos valores reais, caso contrário, isso resultará em KeyError.

Você também pode usar between:

df[df.some_date.between(start_date, end_date)]

Você pode usar o isinmétodo na datecoluna assim df[df["date"].isin(pd.date_range(start_date, end_date))]

Nota: Isso funciona apenas com datas (conforme a pergunta) e não com registros de data e hora.

Exemplo:

import numpy as np   
import pandas as pd

# Make a DataFrame with dates and random numbers
df = pd.DataFrame(np.random.random((30, 3)))
df['date'] = pd.date_range('2017-1-1', periods=30, freq='D')

# Select the rows between two dates
in_range_df = df[df["date"].isin(pd.date_range("2017-01-15", "2017-01-20"))]

print(in_range_df)  # print result

que dá

           0         1         2       date
14  0.960974  0.144271  0.839593 2017-01-15
15  0.814376  0.723757  0.047840 2017-01-16
16  0.911854  0.123130  0.120995 2017-01-17
17  0.505804  0.416935  0.928514 2017-01-18
18  0.204869  0.708258  0.170792 2017-01-19
19  0.014389  0.214510  0.045201 2017-01-20

Mantendo a solução simples e pitônica, sugiro que tente isso.

Caso você faça isso com frequência, a melhor solução seria primeiro definir a coluna da data como índice, que converterá a coluna no DateTimeIndex e use a condição a seguir para dividir qualquer intervalo de datas.

import pandas as pd

data_frame = data_frame.set_index('date')

df = data_frame[(data_frame.index > '2017-08-10') & (data_frame.index <= '2017-08-15')]

Com o meu teste de pandasversão, 0.22.0agora você pode responder a essa pergunta mais facilmente com um código mais legível simplesmente usando between.

# create a single column DataFrame with dates going from Jan 1st 2018 to Jan 1st 2019
df = pd.DataFrame({'dates':pd.date_range('2018-01-01','2019-01-01')})

Digamos que você queira pegar as datas entre 27 de novembro de 2018 e 15 de janeiro de 2019:

# use the between statement to get a boolean mask
df['dates'].between('2018-11-27','2019-01-15', inclusive=False)

0    False
1    False
2    False
3    False
4    False

# you can pass this boolean mask straight to loc
df.loc[df['dates'].between('2018-11-27','2019-01-15', inclusive=False)]

    dates
331 2018-11-28
332 2018-11-29
333 2018-11-30
334 2018-12-01
335 2018-12-02

Observe o argumento inclusivo. muito útil quando você quer ser explícito sobre o seu alcance. observe que quando definido como True, retornamos também em 27 de novembro de 2018:

df.loc[df['dates'].between('2018-11-27','2019-01-15', inclusive=True)]

    dates
330 2018-11-27
331 2018-11-28
332 2018-11-29
333 2018-11-30
334 2018-12-01

Este método também é mais rápido que o isinmétodo mencionado anteriormente :

%%timeit -n 5
df.loc[df['dates'].between('2018-11-27','2019-01-15', inclusive=True)]
868 µs ± 164 µs per loop (mean ± std. dev. of 7 runs, 5 loops each)


%%timeit -n 5

df.loc[df['dates'].isin(pd.date_range('2018-01-01','2019-01-01'))]
1.53 ms ± 305 µs per loop (mean ± std. dev. of 7 runs, 5 loops each)

No entanto, é não mais rápido do que a resposta atualmente aceita, desde que por unutbu, somente se a máscara é já criado . mas se a máscara for dinâmica e precisar ser reatribuída repetidamente, meu método poderá ser mais eficiente:

# already create the mask THEN time the function

start_date = dt.datetime(2018,11,27)
end_date = dt.datetime(2019,1,15)
mask = (df['dates'] > start_date) & (df['dates'] <= end_date)

%%timeit -n 5
df.loc[mask]
191 µs ± 28.5 µs per loop (mean ± std. dev. of 7 runs, 5 loops each)

Eu prefiro não alterar o df .

Uma opção é para recuperar o indexdo starte enddatas:

import numpy as np   
import pandas as pd

#Dummy DataFrame
df = pd.DataFrame(np.random.random((30, 3)))
df['date'] = pd.date_range('2017-1-1', periods=30, freq='D')

#Get the index of the start and end dates respectively
start = df[df['date']=='2017-01-07'].index[0]
end = df[df['date']=='2017-01-14'].index[0]

#Show the sliced df (from 2017-01-07 to 2017-01-14)
df.loc[start:end]

o que resulta em:

     0   1   2       date
6  0.5 0.8 0.8 2017-01-07
7  0.0 0.7 0.3 2017-01-08
8  0.8 0.9 0.0 2017-01-09
9  0.0 0.2 1.0 2017-01-10
10 0.6 0.1 0.9 2017-01-11
11 0.5 0.3 0.9 2017-01-12
12 0.5 0.4 0.3 2017-01-13
13 0.4 0.9 0.9 2017-01-14

Outra opção, como conseguir isso, é usando o pandas.DataFrame.query()método Deixe-me mostrar um exemplo no seguinte quadro de dados chamado df.

>>> df = pd.DataFrame(np.random.random((5, 1)), columns=['col_1'])
>>> df['date'] = pd.date_range('2020-1-1', periods=5, freq='D')
>>> print(df)
      col_1       date
0  0.015198 2020-01-01
1  0.638600 2020-01-02
2  0.348485 2020-01-03
3  0.247583 2020-01-04
4  0.581835 2020-01-05

Como argumento, use a condição para filtrar assim:

>>> start_date, end_date = '2020-01-02', '2020-01-04'
>>> print(df.query('date >= @start_date and date <= @end_date'))
      col_1       date
1  0.244104 2020-01-02
2  0.374775 2020-01-03
3  0.510053 2020-01-04

Se você não deseja incluir limites, basta alterar a condição da seguinte maneira:

>>> print(df.query('date > @start_date and date < @end_date'))
      col_1       date
2  0.374775 2020-01-03