WedX - журнал о программировании и компьютерных науках

Создание нового столбца для поиска диапазона дат

Я работаю над кадром данных, который содержит дату. Я хочу создать новый столбец для классификации периода даты в году. Это означает, что я приму каждые 2 месяца в качестве диапазона. Но моя дата начала будет август. Таким образом,

Aug to Sep is 1,
Oct to Nov is 2,
Dec to Jan is 3,
Feb to Mar is 4 and
Apr to May is 5.

Дата выборки следующая:

data =pd.DataFrame()
data ['Date'] = ['27-03-2019','08-10-2019','09-04-2019','09-08-2018']
data.period = pd.to_datetime(data['Date'])

Ожидаемый результат в виде диапазона в новом столбце будет следующим:

введите здесь описание изображения

Может ли кто-нибудь посоветовать мне, как это сделать?

Большое спасибо

Зеп.

python pandas date-range
06.04.2019

Ответы:


1

Я пытаюсь создать словарь с numpy.roll, numpy.repeat, numpy.arange и последнее использование Series.map с Series.dt.month:

a = np.arange(1, 13)
b = np.roll(np.repeat(np.arange(1,7), 2), 7)
d = dict(zip(a, b))
print (d)
{1: 3, 2: 4, 3: 4, 4: 5, 5: 5, 6: 6, 7: 6, 8: 1, 9: 1, 10: 2, 11: 2, 12: 3}

df['Range'] = df['Date'].dt.month.map(d)
print (df)
        Date  Range
0 2019-03-27      4
1 2019-10-08      2
2 2019-04-09      5
3 2018-08-09      1
06.04.2019

2 
import pandas as pd
df =pd.DataFrame()
df ['Date'] = ['27-03-2019','10-08-2019','04-09-2019','08-09-2018']
df.Date = pd.to_datetime(df['Date'])


month_range={8:1,9:1,10:2,11:2,12:3,1:3,2:4,3:4,4:5,5:5,6:6,7:6}

df['Range'] = [month_range.get(d) for d in df['Date'].dt.month]

Выход:

    Date        Range
0   2019-03-27   4
1   2019-10-08   2
2   2019-04-09   5
3   2018-08-09   1
06.04.2019
  • Спасибо Мин2бро. ценю ваш совет 06.04.2019
    • Новые материалы
    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..
    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..
    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
    ИИ в аэрокосмической отрасли
    Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..
    Для любых предложений по сайту: [email protected]