2つの日付の間のDataFrame行を選択する

私はcsvからDataFrameを次のように作成しています：

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

DataFrameには日付列があります。指定された日付範囲内または指定された2つの日付値の間にある日付値を持つ行のみを含む新しいDataFrameを作成する（または既存のデータフレームを上書きする）方法はありますか？

2つの可能な解決策があります。

• ブールマスクを使用してから、 df.loc[mask]
• 日付列をDatetimeIndexとして設定し、次に使用します df[start_date : end_date]

ブールマスクを使用する：

df['date']がdtypeのシリーズであることを確認しますdatetime64[ns]。

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

ブールマスクを作成します。start_dateそして、end_dateすることができdatetime.datetime、S、 np.datetime64S、pd.TimestampS、あるいは日時の文字列：

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

サブDataFrameを選択します。

df.loc[mask]

またはに再割り当て df

df = df.loc[mask]

例えば、

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])

収量

            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

DatetimeIndexの使用：

日付で多くの選択を行う場合は、date最初に列をインデックスとして設定する方が速い場合があり ます。次に、を使用して日付で行を選択できます 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'])

収量

                   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

対照的に、Pythonリストのインデックス作成（たとえばをseq[start:end]含むstartが含まない）endとは対照的に、Pandas df.loc[start_date : end_date]はインデックスにある場合、結果に両方のエンドポイントを含めます。ただし、どちらstart_dateもend_dateインデックスに含まれている必要はありません。

またpd.read_csv、parse_datesこれには、date列をdatetime64s として解析するために使用できるパラメーターがあります。したがって、を使用する場合、を使用するparse_dates必要はありませんdf['date'] = pd.to_datetime(df['date'])。

loc関数を使用するのではなく、直接チェックを使用するのが最善の選択肢だと思います。

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

わたしにはできる。

スライス付きのloc関数の主な問題は、制限が実際の値に存在する必要があることです。そうでない場合、KeyErrorが発生します。

あなたも使うことができますbetween：

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

あなたはそのようにカラムで isinメソッドを使うことができますdatedf[df["date"].isin(pd.date_range(start_date, end_date))]

注：これは日付（質問のとおり）でのみ機能し、タイムスタンプでは機能しません。

例：

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

与える

           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

ソリューションをシンプルかつpythonicに保ち、これを試すことをお勧めします。

これを頻繁に行う場合の最善の解決策は、最初に日付列をインデックスとして設定し、DateTimeIndexで列を変換し、次の条件を使用して日付の範囲をスライスすることです。

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')]

私のpandasバージョンのテストでは、0.22.0を使用するだけで、より読みやすいコードでこの質問に簡単に答えることができます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')})

2018年11月27日から2019年1月15日までの日付を取得するとします。

# 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

包括的な引数に注意してください。範囲を明確にしたい場合に非常に役立ちます。Trueに設定すると、2018年11月27日に戻ることに注意してください。

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

この方法は、前述のisin方法よりも高速です。

%%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)

ただし、マスクがすでに作成されている場合のみ、unutbuによって提供される現在受け入れられている回答よりも速くはありません。マスクはダイナミックでニーズの上に再割り当てされると、終わった場合は、私の方法があり、より効率的であること：

# 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)

私は変更しないことを好みdfます。

オプションは、取得するためにあるindexのstartとend日付を：

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]

その結果：

     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

別のオプション、これを達成するpandas.DataFrame.query()方法は、メソッドを使用することです。と呼ばれる次のデータフレームの例を示します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

引数として、次のようにフィルタリングの条件を使用します。

>>> 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

境界を含めたくない場合は、次のように条件を変更するだけです。

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