按天过滤熊猫数据框
Posted
技术标签:
【中文标题】按天过滤熊猫数据框【英文标题】:Filtering pandas dataframe by day 【发布时间】:2019-04-13 13:22:15 【问题描述】:我有一个熊猫数据框,其中包含按分钟计算的外汇数据,长达一年(371635 行):
O H L C
0
2017-01-02 02:00:00 1.05155 1.05197 1.05155 1.05190
2017-01-02 02:01:00 1.05209 1.05209 1.05177 1.05179
2017-01-02 02:02:00 1.05177 1.05198 1.05177 1.05178
2017-01-02 02:03:00 1.05188 1.05200 1.05188 1.05200
2017-01-02 02:04:00 1.05196 1.05204 1.05196 1.05203
我想过滤每日数据以获得小时范围:
dt = datetime(2017,1,1)
df_day = df1[df.index.date == dt.date()]
df_day_t = df_day.between_time('08:30', '09:30')
如果我执行 200 天的 for
循环,则需要几分钟。我怀疑这行的每一步
df_day = df1[df.index.date == dt.date()]
正在寻找数据集中每一行的相等性(即使它是一个有序的数据集)。有什么办法可以加快过滤速度,或者我应该做一些旧的命令for
从一月到十二月循环...?
【问题讨论】:
【参考方案1】:避免使用 Python datetime
首先,您应该避免将 Python datetime
与 Pandas 操作结合使用。有许多 Pandas / NumPy 友好的方法可以创建 datetime
对象进行比较,例如pd.Timestamp
和 pd.to_datetime
。您在这里的性能问题部分是由于docs 中描述的这种行为:
pd.Series.dt.date
返回一个 pythondatetime.date
对象数组
以这种方式使用 object
dtype 会消除矢量化的好处,因为操作需要 Python 级循环。
使用groupby
操作按日期聚合
Pandas 已经具备通过标准化时间按日期分组的功能:
for day, df_day in df.groupby(df.index.floor('d')):
df_day_t = df_day.between_time('08:30', '09:30')
# do something
作为另一个示例,您可以通过这种方式访问特定日期的切片:
g = df.groupby(df.index.floor('d'))
my_day = pd.Timestamp('2017-01-01')
df_slice = g.get_group(my_day)
【讨论】:
我不知道 pandas 中的groupby
... 现在需要几毫秒!以上是关于按天过滤熊猫数据框的主要内容,如果未能解决你的问题,请参考以下文章