pandas处理日期缺失

#两种方法实现
'''
1）DataFrame.reindex：调整dataframe的索引以适应新的索引
2） DataFrame.resample，可以对时间序列重新采样，支持补充缺失值
'''
import pandas as pd
import os
%matplotlib inline

df = pd.DataFrame({"pdate":['2019-12-01','2019-12-02','2019-12-04','2019-12-05'],'pv':[100,200,400,500],'uv':[10,20,40,50],
})
df

	pdate	pv	uv
0	2019-12-01	100	10
1	2019-12-02	200	20
2	2019-12-04	400	40
3	2019-12-05	500	50

#df缺少2019-12-03这个日期
df.set_index('pdate').plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1d68fb97e10>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cScC4omN-1601386256504)(output_2_1.png)]

#方法一

	pdate	pv	uv
0	2019-12-01	100	10
1	2019-12-02	200	20
2	2019-12-04	400	40
3	2019-12-05	500	50

df_date = df.set_index('pdate')
df_date
#将索引设置为日期,并且将index改为时间序列的格式

	pv	uv
pdate
2019-12-01	100	10
2019-12-02	200	20
2019-12-04	400	40
2019-12-05	500	50

df_date.index

Index(['2019-12-01', '2019-12-02', '2019-12-04', '2019-12-05'], dtype='object', name='pdate')

#将DataFrame的index从字符串转换成时间序列，再输出相应index为时间序列的DataFrame
df_date = df_date.set_index(pd.to_datetime(df_date.index))
df_date.index

DatetimeIndex(['2019-12-01', '2019-12-02', '2019-12-04', '2019-12-05'], dtype='datetime64[ns]', name='pdate', freq=None)

pdate = pd.date_range(start = '2019-12-01',end = '2019-12-05')
pdate

DatetimeIndex(['2019-12-01', '2019-12-02', '2019-12-03', '2019-12-04','2019-12-05'],dtype='datetime64[ns]', freq='D')

df_date_new = df_date.reindex(pdate,fill_value=0)#注意，重新设置index是reindex，不是set_index
df_date_new

	pv	uv
2019-12-01	100	10
2019-12-02	200	20
2019-12-03	0	0
2019-12-04	400	40
2019-12-05	500	50

‘’’
reindex()方法用于创建一个符合新索引的新对象
①对于Series类型，调用reindex()会将数据按照新的索引进行排列,如果某个索引值之前不存在，则引入缺失值
如：
②DataFrame中，reindex()可以改变行索引和列索引
reset_index()，顾名思义，即设置索引。可以设置单索引和复合索引
调用这个函数会生成一个新的DataFrame, 新的df使用一个列或多个列作为索引
reset_index()，它是set_index()的反操作，调用它分层索引的索引层级会被还原到列中

‘’’

df_date_new.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x1d691b08a58>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GkR5Se3o-1601386256511)(output_10_1.png)]

#方法二：pandas.resample方法
df

	pdate	pv	uv
0	2019-12-01	100	10
1	2019-12-02	200	20
2	2019-12-04	400	40
3	2019-12-05	500	50

df_new2 = df.set_index(pd.to_datetime(df['pdate']))
#
df_new2

	pdate	pv	uv
pdate
2019-12-01	2019-12-01	100	10
2019-12-02	2019-12-02	200	20
2019-12-04	2019-12-04	400	40
2019-12-05	2019-12-05	500	50

df_new2 = df.set_index(pd.to_datetime(df['pdate'])).drop('pdate',axis=1)
df_new2

	pv	uv
pdate
2019-12-01	100	10
2019-12-02	200	20
2019-12-04	400	40
2019-12-05	500	50

df_new3 = df_new2.resample('D').mean().fillna(0)
df_new3

	pv	uv
pdate
2019-12-01	100.0	10.0
2019-12-02	200.0	20.0
2019-12-03	0.0	0.0
2019-12-04	400.0	40.0
2019-12-05	500.0	50.0

pandas处理日期缺失相关推荐

pandas基于日期信息（time or date）生成季度信息（quarter）实战：pandas基于日期信息列生成季度信息列、dt.quarter生成季度信息、dt.to_period生成季度信息
pandas基于日期信息(time or date)生成季度信息(quarter)实战:pandas基于日期信息列生成季度信息列.dt.quarter生成季度信息.dt.to_period生成季度信息 ...
pandas判断日期是否是闰年（is_leap_year）实战: 数据列转化为日期（时间）格式、判断pandas的日期数据列是否是闰年
pandas判断日期是否是闰年(is_leap_year)实战: 数据列转化为日期(时间)格式.判断pandas的日期数据列是否是闰年目录
pandas 按日期范围筛选数据的实现
<h1 class="title">pandas 按日期范围筛选数据的实现</h1><div class="info"> ...
pandas处理日期的几种常用方法
1.读取字符串日期写入csv 文件 csv_text = """date, value 2022-01-01, 1 2022-01-05, 5 2022-11-05, ...
纠正Pandas中的缺失数据
目录介绍查找丢失的数据元素使用drop和dropna删除缺少的Pandas列丢掉丢失的Pandas行替换值摘要将数据加载到灵活的结构后,我们需要确定如何处理丢失和重复的数据元素. 下载C ...
Pandas处理日期数据的常见操作集锦
Pandas处理日期数据的常见操作集锦数据读取及整理获取某个日期之前/后或时间区间的数据 python 获取当前时间及前一天时间 pandas的日期时间间隔运算选取指定时间范围内/外的数据利用p ...
pandas 合并日期和时间列
原始数据的样子如下: 需要达到的效果如下图: 方法一:这个方法比较简单,代码为: data['datetime'] = data['Date'] + ' ' + data['Time'] 参考连链接: ...
Python数据处理-使用Pandas补齐缺失日期（pd.date_range）
在处理时间序列的数据中,有时候会遇到有些日期的数据缺失的情况,这时候可以用pandas的 date_range 函数快速补齐缺失日期,再根据实际情况补齐缺失值. import pandas as pd ...
pandas生成日期去掉时分秒
pandas如何用字典生成数据&生成日期默认为年月日时分秒如何去掉时分秒 import pandas as pd import numpy as npdf = pd.DataFrame({& ...

pandas处理日期缺失

pandas处理日期缺失相关推荐

最新文章

热门文章