Фильтрация DataFrame Pandas по датам на два месяца вперёд

Быстрый ответ

Для фильтрации данных в DataFrame Pandas по датам, сначала следует преобразовать колонку с датами в формат datetime, воспользовавшись функцией pd.to_datetime(). Затем можно применять булевы маски для отбора необходимых дат или временных промежутков.

import pandas as pd

# Преобразуем столбец дат в формат datetime.
df['date_column'] = pd.to_datetime(df['date_column'])

# Фильтруем данные за конкретную дату.
filtered_df = df[df['date_column'] == '2023-01-01']

# Выбираем данные за определенный временной интервал.
filtered_df = df[df['date_column'].between('2023-01-01', '2023-01-31')]

Код можно адаптировать под свои задачи, установив в нем другие даты.

Детальная фильтрация и тонкости процесса

Високосные годы и последние дни месяцев: дьявол, скрывающийся в мелочах

При работе с диапазонами дат следует помнить о високосных годах и различной длительности месяцев:

start_date = '2023-01-30'  # Обычная дата
end_date = pd.Timestamp(start_date) + pd.offsets.MonthEnd(2)  # Добавляем два месяца с учетом особенностей

# Фильтруем данные между начальной и конечной датой.
filtered_df = df[(df['date_column'] >= start_date) & (df['date_column'] <= end_date)]

Продвинутые методы фильтрации

Можно воспользоваться атрибутами .dt для выделения и фильтрации по отдельным компонентам даты, т.е., по месяцу или дню недели:

# Фильтруем все данные, относящиеся к марту.
filtered_df = df[df['date_column'].dt.month == 3]

# Выбираем данные, у которых соответствующий день недели – понедельник.
monday_df = df[df['date_column'].dt.weekday == 0]

Замена .ix на .loc и .iloc

Метод .ix признан устаревшим. Вместо него для индексации по меткам и по позициям необходимо использовать методы .loc и .iloc соответственно.

Сложная фильтрация

Операторы & (И), | (ИЛИ) и метод df.query позволяют создавать сложные булевы маски:

# Пример фильтрации с применением сложного условия.
filtered_df = df[(df['date_column'] >= pd.to_datetime('2023-01-01')) & 
                 (df['date_column'] <= pd.to_datetime('2023-03-31'))]

Производительность

• Преобразуйте столбцы дат в тип datetime64[ns] для увеличения скорости операций.
• При работе с большим объемом данных используйте столбец дат в качестве индекса для повышения эффективности поиска.

Визуализация

DataFrame можно представить в виде календаря с событиями, распределенными по датам. Фильтрация по датам помогает выделить определенные события.

Решаем сложные задачи

Часовые пояса

Часовой пояс может повлиять на результаты сравнения дат. Используйте объекты, осведомленные о часовом поясе:

# Фильтрация с учетом часовых поясов.
tz_filtered_df = df[df['date_column'].dt.tz_localize('UTC') == pd.to_datetime('2023-03-01', utc=True)]

Переход на летнее время

Будьте внимательны при работе с данными в периоды перехода на летнее время.

Високосные секунды

Тип datetime64[ns] в Pandas не обрабатывает високосные секунды, но это не должно влиять на большинство операций фильтрации.

Скользящее окно

Используйте скользящие временные интервалы, например "последние два месяца", для более гибкой фильтрации.

today = pd.Timestamp('сегодня')
start = today – pd.offsets.MonthBegin(2)
end = today

# Фильтр для скользящего временного окна.
moving_window_df = df[(df['date_column'] >= start) & (df['date_column'] <= end)]

Полезные материалы

В данном разделе представлены источники, которые помогут более глубоко осмыслить работу с временными рядами и фильтрацией в Pandas.