WedX - журнал о программировании и компьютерных науках

преобразовать DateTimeindex, чтобы он содержал только год, час и день, а не информацию о времени

У меня есть фрейм данных с индексом, который также содержит Hour: second: ... но вместо этого я просто хочу, чтобы он содержал дату как год, месяц, день.

Возможно ли, чтобы индекс по-прежнему был DateTimeIndex, но содержал только год, месяц, день?

Текущий индекс выглядит так:

my_index = DatetimeIndex(['2017-08-25', '2017-08-24', '2017-08-23', '2017-08-22',
           '2017-08-21', '2017-08-20', '2017-08-19', '2017-08-18',
           '2017-08-17', '2017-08-16',
           ...
           '2015-07-19', '2015-07-18', '2015-07-17', '2015-07-16',
           '2015-07-15', '2015-07-14', '2015-07-13', '2015-07-12',
           '2015-07-11', '2015-07-10'],
          dtype='datetime64[ns]', length=778, freq=None)

Я мог бы сделать:

only_date_index = [el.date() for el in my_index]

Но затем, если я хочу использовать функцию повторной выборки в пандах, я получаю сообщение об ошибке: TypeError: действительно только с DatetimeIndex, TimedeltaIndex или PeriodIndex, но получил экземпляр 'Index'.

python pandas
29.08.2017

  • Попробуйте .normalize(), это заставит время перейти к полуночи, так как я считаю, что DateTimeIndex нужно время 29.08.2017

Ответы:


1

Вам потребуется DatetimeIndex.floor:

myIndex = df.index.floor('D')

Образец:

rng = pd.date_range('2017-04-03 15:00:45', periods=10, freq='24T')
df = pd.DataFrame({'a': range(10)}, index=rng)  
print (df)
                     a
2017-04-03 15:00:45  0
2017-04-03 15:24:45  1
2017-04-03 15:48:45  2
2017-04-03 16:12:45  3
2017-04-03 16:36:45  4
2017-04-03 17:00:45  5
2017-04-03 17:24:45  6
2017-04-03 17:48:45  7
2017-04-03 18:12:45  8
2017-04-03 18:36:45  9

myIndex = df.index.floor('D')
print (myIndex)
DatetimeIndex(['2017-04-03', '2017-04-03', '2017-04-03', '2017-04-03',
               '2017-04-03', '2017-04-03', '2017-04-03', '2017-04-03',
               '2017-04-03', '2017-04-03'],
              dtype='datetime64[ns]', freq=None)

Спасибо за другое решение Deckerz - с помощью DatetimeIndex.normalize:

myIndex = df.index.normalize()
print (myIndex)
DatetimeIndex(['2017-04-03', '2017-04-03', '2017-04-03', '2017-04-03',
               '2017-04-03', '2017-04-03', '2017-04-03', '2017-04-03',
               '2017-04-03', '2017-04-03'],
              dtype='datetime64[ns]', freq=None)

Время:

ix = pd.date_range('1970-01-01', '2200-01-15', freq='1H')

print (len(ix))
2016481

In [68]: %timeit (ix.normalize())
10 loops, best of 3: 178 ms per loop

In [69]: %timeit (ix.floor('d'))
10 loops, best of 3: 38.4 ms per loop

#solution from Dror (https://stackoverflow.com/questions/45954497/in-pandas-group-by-date-from-datetimeindex)
In [70]: %timeit pd.to_datetime(ix.date)
1 loop, best of 3: 5.09 s per loop
29.08.2017
  • .normalize() также делает это и является встроенной функцией для массивов DateTimeIndex, но не для отдельных экземпляров. 29.08.2017
    • Новые материалы
    Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
    Просто начните и учитесь самостоятельно Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..
    Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
    В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..
    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
    Для любых предложений по сайту: [email protected]