Получение значений из индексированного по времени кадра данных pandas за определенное время в пределах двух временных меток

У меня есть следующий фрейм данных pandas df:

                     C1  C2   C3
Date                             
2000-01-01 00:00:00   2  175  160
2000-01-01 01:00:00   4  192  164
2000-01-01 02:00:00   6  210  189
2000-01-01 03:00:00   8  217  199
2000-01-01 04:00:00  10  176  158

из которого мне нужно получить значение C1, C2 и C3 для определенной даты и времени:

import datetime
my_specific_time = str(datetime.datetime(2000, 1, 1, 1, 0, 0))
print(df['C1'].loc[mytime]) # prints 4

Проблема в том, что я могу получить значения только для дат, хранящихся в файле df. Например, получить значение C1 для времени 2000-01-01 01:30:00 невозможно, если я не передискретизирую свой фрейм данных:

upsampled = df.resample('30min').ffill()
my_specific_time = str(datetime.datetime(2000, 1, 1, 1, 30, 0))
print(upsampled['C1'].loc[mytime]) # again prints 4

Обратите внимание, что все значения C1 между 2000-01-01 01:00:00 и 2000-01-01 02:00:00 равны 4. Теперь проблема в том, что my_specific_time может быть любым случайным временем, и мне нужно будет передискретизировать df, используя достаточно малые значения, чтобы иметь возможность получить значение. Я думаю, что это не лучшее решение этой проблемы.

При поиске возможных решений я наткнулся только на промежутки времени в пандах, но я не совсем понял, как я могу использовать его в своей проблеме.

попробуй .asof : print(df['C1'].asof(my_specific_time))

Chris Adams 29.05.2019 10:34
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
2
1
128
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Используйте метод DataFrame.asof:

print(df['C1'].asof(my_specific_time))

4

Другие вопросы по теме