les pandas dataframe groupby datetime mois

Envisager un fichier csv:

string,date,number
a string,2/5/11 9:16am,1.0
a string,3/5/11 10:44pm,2.0
a string,4/22/11 12:07pm,3.0
a string,4/22/11 12:10pm,4.0
a string,4/29/11 11:59am,1.0
a string,5/2/11 1:41pm,2.0
a string,5/2/11 2:02pm,3.0
a string,5/2/11 2:56pm,4.0
a string,5/2/11 3:00pm,5.0
a string,5/2/14 3:02pm,6.0
a string,5/2/14 3:18pm,7.0

Je peux lire dans, et le format de la colonne de date en format datetime:

b=pd.read_csv('b.dat')
b['date']=pd.to_datetime(b['date'],format='%m/%d/%y %I:%M%p')

J'ai essayé de regrouper les données par mois. Il semble comme il devrait être d'une manière évidente de l'accès au mois de groupement et par qui. Mais je n'arrive pas à le faire. Personne ne sait comment?

Ce que je suis en train d'essayer de re-indexation par la date:

b.index=b['date']

Je peux accéder à la mois comme suit:

b.index.month

Cependant, je n'arrive pas à trouver une fonction de regrouper par mois.

InformationsquelleAutor atomh33ls | 2014-06-06
  1. 118

    Réussi à le faire:

    df.groupby(by=[b.index.month, b.index.year])

    Ou 

    df.groupby(pd.Grouper(freq='M'))  # update for v0.21+
    • Je pense que le plus pandonic façons d'utiliser resample (quand il offre les fonctionnalités dont vous avez besoin) ou utiliser un TimeGrouper: df.groupby(pd.TimeGrouper(freq='M'))
    • pour obtenir le résultat DataFrame somme ou moyenne, df.groupby(pd.TimeGrouper(freq='M')).sum() ou df.groupby(pd.TimeGrouper(freq='M')).mean()
    • pd.TimeGrouper a été dépréciée en faveur de pd.Grouper, qui est un peu plus souple, mais encore faut freq et level arguments.
    InformationsquelleAutor atomh33ls
  2. 44

    (mise à jour: 2018)

    Noter que pd.Timegrouper est amorti et seront supprimés. Utiliser à la place:

     df.groupby(pd.Grouper(freq='M'))
    • La lecture en 2018 🙂
    InformationsquelleAutor PandasRocks
  3. 4

    Une solution qui évite MultiIndex est de créer un nouveau datetime colonne de réglage de la date = 1. Puis de les regrouper par cette colonne. Exemple Trivial ci-dessous.

    df = pd.DataFrame({'Date': pd.to_datetime(['2017-10-05', '2017-10-20']),
                   'Values': [5, 10]})

# normalize day to beginning of month
df['YearMonth'] = df['Date'] + pd.offsets.MonthBegin(1)

# two alternative methods
df['YearMonth'] = df['Date'] - pd.to_timedelta(df['Date'].dt.day-1, unit='D')
df['YearMonth'] = df['Date'].map(lambda dt: dt.replace(day=1))

g = df.groupby('YearMonth')

res = g['Values'].sum()

# YearMonth
# 2017-10-01    15
# Name: Values, dtype: int64

    Le subtil avantage de cette solution est, à la différence de pd.Grouper, le mérou indice est normalisé à l' début de chaque mois, plutôt que de la fin, et, par conséquent, vous pouvez facilement extraire des groupes via get_group:

    some_group = g.get_group('2017-10-01')

    Calculer le dernier jour d'octobre est un peu plus lourd. mp.Le mérou, comme de v0.23, prend en charge un convention paramètre, mais c'est seulement applicable pour un PeriodIndex loches.

    • c'est assez impressionnant, puis-je vous demander comment voulez-vous diviser et d'ajouter uniquement le nombre positif et dans une autre série ajouter le négatif, la fin de chaque mois, le total de positifs et négatifs des valeurs?
    • genius. merci
    InformationsquelleAutor jpp
  4. 3

    Légèrement solution alternative à @jpp mais la sortie d'un YearMonth chaîne:

    df['YearMonth'] = pd.to_datetime(df['Date']).apply(lambda x: '{year}-{month}'.format(year=x.year, month=x.month))

res = df.groupby('YearMonth')['Values'].sum()
    InformationsquelleAutor tsando