Срез панд со сбоем со списком меток DatetimeIndex - PullRequest
Новая
       6

Срез панд со сбоем со списком меток DatetimeIndex

0 голосов
/ 30 апреля 2018

У меня есть данные 12x3, в которых хранятся среднемесячные, максимальные и минимальные температуры за 2017 год: 

import pandas as pd

tavg = pd.Series([55.8, 57.2, 61.0, 63.6, 63.3, 66.7, 71.7, 72.0, 71.5, 71.5, 65.6, 61.4])
tmax = pd.Series([62.7, 62.6, 69.3, 71.9, 69.4, 72.6, 77.5, 77.3, 78.5, 80.4, 73.7, 72.4])
tmin = pd.Series([48.8, 51.8, 52.8, 55.4, 57.1, 60.9, 65.8, 66.8, 64.6, 62.5, 57.3, 50.3])

temp_df = pd.DataFrame()
temp_df['TAVG'] = tavg
temp_df['TMIN'] = tmin
temp_df['TMAX'] = tmax

dates = pd.date_range(start='2017-01-01', end='2017-12-01', freq='MS')

temp_df.index = dates

Я бы хотел нарезать по меткам список дат, например 2017-01-01 и 2017-05-01.

Нарезка каждой из этих дат по отдельности работает нормально: 

temp_df.loc['2017-01-01']

TAVG    55.8
TMIN    48.8
TMAX    62.7
Name: 2017-01-01 00:00:00, dtype: float64

temp_df.loc['2017-05-01']

TAVG    63.3
TMIN    57.1
TMAX    69.4
Name: 2017-05-01 00:00:00, dtype: float64

Но нарезка со списком этих дат вызывает ошибку KeyError: 

temp_df.loc[['2017-01-01', '2017-05-01']]

"KeyError: "None of [['2017-01-01', '2017-05-01']] are in the [index]"

Есть ли особая хитрость в разрезании со списком меток индекса при работе с DatetimeIndex?

1 Ответ

0 голосов
/ 30 апреля 2018

Разрезание не выполняется, поскольку индекс имеет тип Timestamp. Код temp_df.loc[['2017-01-01', '2017-05-01']] ищет строковые метки. Используйте приведенный ниже код, чтобы разобрать их как Timestamp. 

temp_df.loc[[pd.Timestamp('2017-01-01'), pd.Timestamp('2017-05-01')]]

Выход: 

            TAVG    TMIN    TMAX
2017-01-01  55.8    48.8    62.7
2017-05-01  63.3    57.1    69.4

Чтобы ваш код работал, вам нужно изменить тип индекса на str

temp_df.index = temp_df.index.astype(str)
temp_df.loc[['2017-01-01', '2017-05-01']]

Выход: 

            TAVG    TMIN    TMAX
2017-01-01  55.8    48.8    62.7
2017-05-01  63.3    57.1    69.4
...