选择由 DatetimeIndex 索引的 Pandas DataFrame 的子集和时间戳列表

Posted 2023-03-12

【中文标题】选择由 DatetimeIndex 索引的 Pandas DataFrame 的子集和时间戳列表

【英文标题】：Selecting a subset of a Pandas DataFrame indexed by DatetimeIndex with a list of TimeStamps

【发布时间】：2012-08-13 01:35:06

【问题描述】：

我有一只大熊猫DataFrame

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 3425100 entries, 2011-12-01 00:00:00 to 2011-12-31 23:59:59
Data columns:
sig_qual    3425100  non-null values
heave       3425100  non-null values
north       3425099  non-null values
west        3425097  non-null values
dtypes: float64(4)

我使用.ix[start_datetime:end_datetime] 选择了DataFrame 的一个子集，并将其传递给peakdetect function，它在两个单独的列表中返回局部最大值和最小值的索引和值。我提取最大值的索引位置并使用DataFrame.index 我得到一个熊猫时间戳列表。

然后我尝试通过将时间戳列表传递给.ix[] 来提取大型 DataFrame 的相关子集，但它似乎总是返回一个空的DataFrame。我可以遍历时间戳列表并从DataFrame 中获取相关行，但这是一个漫长的过程，我认为ix[] 应该根据the docs 接受值列表？ （虽然我看到 Pandas 0.7 的示例使用 numpy.ndarray 或 numpy.datetime64）

更新： 下面选择了一小段 8 秒的 DataFrame 子集，# 行显示了一些值：

y = raw_disp['heave'].ix[datetime(2011,12,30,0,0,0):datetime(2011,12,30,0,0,8)]
#csv representation of y time-series 
2011-12-30 00:00:00,-310.0
2011-12-30 00:00:01,-238.0
2011-12-30 00:00:01.500000,-114.0
2011-12-30 00:00:02.500000,60.0
2011-12-30 00:00:03,185.0
2011-12-30 00:00:04,259.0
2011-12-30 00:00:04.500000,231.0
2011-12-30 00:00:05.500000,139.0
2011-12-30 00:00:06.500000,55.0
2011-12-30 00:00:07,-49.0
2011-12-30 00:00:08,-144.0

index = y.index
<class 'pandas.tseries.index.DatetimeIndex'>
[2011-12-30 00:00:00, ..., 2011-12-30 00:00:08]
Length: 11, Freq: None, Timezone: None

#_max returned from the peakdetect function, one local maxima for this 8 seconds period
_max = [[5, 259.0]]

indexes = [x[0] for x in _max]
#[5]

timestamps = [index[z] for z in indexes]
#[<Timestamp: 2011-12-30 00:00:04>]

print raw_disp.ix[timestamps]
#Empty DataFrame
#Columns: array([sig_qual, heave, north, west, extrema], dtype=object)
#Index: <class 'pandas.tseries.index.DatetimeIndex'>
#Length: 0, Freq: None, Timezone: None

for timestamp in timestamps:
    print raw_disp.ix[timestamp]
#sig_qual      0
#heave       259
#north        27
#west        132
#extrema       0
#Name: 2011-12-30 00:00:04

更新 2： 我created a gist，这实际上是有效的，因为当从 csv 加载数据时，时间戳的索引列存储为对象的 numpy 数组，这些对象看起来是字符串。与我自己的代码中索引的类型为 <class 'pandas.tseries.index.DatetimeIndex'> 且每个元素的类型为 <class 'pandas.lib.Timestamp'> 不同，我认为传递 pandas.lib.Timestamp 的列表与传递单个时间戳的工作方式相同，这会被视为错误吗？

如果我使用索引作为字符串列表创建原始DataFrame，则使用字符串列表进行查询可以正常工作。但它确实会显着增加 DataFrame 的字节大小。

更新 3： 该错误似乎只发生在非常大的 DataFrame 上，我在不同大小的 DataFrame 上重新运行了代码（下面的评论中有一些细节），它似乎发生在超过 270 万条记录的 DataFrame 上。使用字符串而不是时间戳可以解决问题，但会增加内存使用量。

已修复 在最新的 github master (18/09/2012) 中，请参阅页面底部 Wes 的评论。

【参考方案1】：

df.ix[my_list_of_dates] 应该可以正常工作。

In [193]: df
Out[193]:
            A  B  C  D
2012-08-16  2  1  1  7
2012-08-17  6  4  8  6
2012-08-18  8  3  1  1
2012-08-19  7  2  8  9
2012-08-20  6  7  5  8
2012-08-21  1  3  3  3
2012-08-22  8  2  3  8
2012-08-23  7  1  7  4
2012-08-24  2  6  0  6
2012-08-25  4  6  8  1

In [194]: row_pos = [2, 6, 9]

In [195]: df.ix[row_pos]
Out[195]:
            A  B  C  D
2012-08-18  8  3  1  1
2012-08-22  8  2  3  8
2012-08-25  4  6  8  1

In [196]: dates = [df.index[i] for i in row_pos]

In [197]: df.ix[dates]
Out[197]:
            A  B  C  D
2012-08-18  8  3  1  1
2012-08-22  8  2  3  8
2012-08-25  4  6  8  1

【讨论】：

感谢您的示例，这是我对它应该如何工作的理解，我现在提供了一个示例，说明它在我原来的问题中是如何失败的。

你用的是什么版本的熊猫？可以分享 raw_disp 吗？对我来说update 工作正常，y.ix[timestamps]（y 有 DateTimeIndex）给出了预期的输出（我当然不能做 raw_disp.ix[timestamps]，因为 raw_disp 不可用。）

Pandas 版本 0.8.1，我一直在尝试在较小的 DataFrame 上重现该错误，但它没有发生。当我在超过 300 万行的大型 DataFrame 上尝试它时，我得到了一个 Empty DataFrame。我已经成功地在 2888264 行的 DataFrame 上重现了该错误，但它在 2665621 行的 DataFrame 上运行良好。如果其他人希望复制它，我可以上传大的 DataFrame。

我尝试使用index = pandas.date_range('03/06/2000 00:00', periods=3e6, freq='s') 复制此内容，df = pandas.DataFrame(np.random.randn(3e6, 4), columns=list('ABCD'), index=index) 效果很好。您能否在 GitHub (github.com/pydata/pandas/issues) 上发布问题 - 使用重现问题的代码？

今天 (9/18) 已在 GitHub 上修复