时间戳

首页 > 解决方案 > pandas - 在特定日期边界上拆分日期范围

python - pandas - 在特定日期边界上拆分日期范围

问题描述

我有一个日期范围的 DataFrame（实际的 DataFrame 附加了更多数据，但具有相同的start和end列）。最终需要在周日至周六的基础上逐周分析数据。因此，我想通过 DataFrame，并拆分从星期六到星期日跨越的任何日期范围 ( startto )。finish例如，给定 DataFrame：

import pandas as pd

date_ranges = [
    {'start': '2020-01-16 22:30:00', 'end': '2020-01-17 01:00:00'}, # spans thurs-fri, ok as is
    {'start': '2020-01-17 04:30:00', 'end': '2020-01-17 12:30:00'}, # no span, ok as is
    {'start': '2020-01-18 10:15:00', 'end': '2020-01-18 14:00:00'}, # no span, ok as is
    {'start': '2020-01-18 22:30:00', 'end': '2020-01-19 02:00:00'}  # spans sat-sun, must split
]
data_df = pd.DataFrame(date_ranges)

我希望我的结果看起来像：

result_ranges = [
    {'start': '2020-01-16 22:30:00', 'end': '2020-01-17 01:00:00'}, # spans thurs-fri, ok as is
    {'start': '2020-01-17 04:30:00', 'end': '2020-01-17 12:30:00'}, # no span, ok as is
    {'start': '2020-01-18 10:15:00', 'end': '2020-01-18 14:00:00'}, # no span, ok as is
    {'start': '2020-01-18 22:30:00', 'end': '2020-01-19 00:00:00'}, # split out saturday portion
    {'start': '2020-01-19 00:00:00', 'end': '2020-01-19 02:00:00'}  # and the sunday portion
]

result_df = pd.DataFrame(result_ranges)

任何关于如何在熊猫中有效地做到这一点的想法将不胜感激。目前我正在做坏事，并且迭代行，当数据集变大时它很慢。

标签： pythonpandasdataframe

解决方案

像这样的操作总是很困难，在某种程度上我认为循环是必要的。在这种情况下，我们可以在边缘上循环，而不是循环遍历行。当您的数据跨度的周数远小于您拥有的行数时，这应该会带来相当大的性能提升。

我们定义边缘并在必要时修改 DataFrame 端点。最后，所需的 DataFrame 是我们修改的 DataFrame 的剩余部分，加上我们存储在l. 原始索引被保留，因此您可以准确地看到哪些行被拆分。如果单个时间跨度跨越N边缘，它将被分成N+1单独的行。

设置

import pandas as pd

df[['start', 'end']]= df[['start', 'end']].apply(pd.to_datetime)

edges = pd.date_range(df.start.min().normalize() - pd.Timedelta(days=7),
                      df.end.max().normalize() + pd.Timedelta(days=7), freq='W-Sun')

代码

l = []
for edge in edges:
    m = df.start.lt(edge) & df.end.gt(edge)  # Rows to modify
    l.append(df.loc[m].assign(end=edge))     # Clip end of modified rows
    df.loc[m, 'start'] = edge                # Fix start for next edge

result = pd.concat(l+[df]).sort_values('start')

输出

                start                 end
0 2020-01-16 22:30:00 2020-01-17 01:00:00
1 2020-01-17 04:30:00 2020-01-17 12:30:00
2 2020-01-18 10:15:00 2020-01-18 14:00:00
3 2020-01-18 22:30:00 2020-01-19 00:00:00
3 2020-01-19 00:00:00 2020-01-19 02:00:00

推荐阅读