Python酷库之旅-第三方库Pandas(218)

目录

一、用法精讲

1021、pandas.DatetimeIndex.inferred_freq属性

1021-1、语法

1021-2、参数

1021-3、功能

1021-4、返回值

1021-5、说明

1021-6、用法

1021-6-1、数据准备

1021-6-2、代码示例

1021-6-3、结果输出

1022、pandas.DatetimeIndex.indexer_at_time方法

1022-1、语法

1022-2、参数

1022-3、功能

1022-4、返回值

1022-5、说明

1022-6、用法

1022-6-1、数据准备

1022-6-2、代码示例

1022-6-3、结果输出

1023、pandas.DatetimeIndex.indexer_between_time方法

1023-1、语法

1023-2、参数

1023-3、功能

1023-4、返回值

1023-5、说明

1023-6、用法

1023-6-1、数据准备

1023-6-2、代码示例

1023-6-3、结果输出

1024、pandas.DatetimeIndex.normalize方法

1024-1、语法

1024-2、参数

1024-3、功能

1024-4、返回值

1024-5、说明

1024-6、用法

1024-6-1、数据准备

1024-6-2、代码示例

1024-6-3、结果输出

1025、pandas.DatetimeIndex.strftime方法

1025-1、语法

1025-2、参数

1025-3、功能

1025-4、返回值

1025-5、说明

1025-6、用法

1025-6-1、数据准备

1025-6-2、代码示例

1025-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

1021、pandas.DatetimeIndex.inferred_freq属性
1021-1、语法
# 1021、pandas.DatetimeIndex.inferred_freq属性
pandas.DatetimeIndex.inferred_freq
Tries to return a string representing a frequency generated by infer_freq.Returns None if it can’t autodetect the frequency.
1021-2、参数

        无

1021-3、功能

        用于获取DatetimeIndex对象的推断频率，它可以帮助用户了解时间序列数据的频率模式，在进行时间序列分析时非常重要。

1021-4、返回值

        返回一个字符串，表示DatetimeIndex中日期时间的推断频率，如果无法推断出明确的频率，则返回None，推断频率可以是以下几种类型，例如：

  • 'D'：日频
  • 'h'：小时频
  • 'min'：分钟频
  • 's'：秒频
  • 'ME'：月末频
  • 'YE'：年末频
1021-5、说明

        无

1021-6、用法
1021-6-1、数据准备
无
1021-6-2、代码示例
# 1021、pandas.DatetimeIndex.inferred_freq属性
import pandas as pd
# 创建一个包含日期的DatetimeIndex
dates = pd.date_range(start='2024-11-14', periods=5, freq='YE')
datetime_index = pd.DatetimeIndex(dates)
# 获取推断的频率
frequency = datetime_index.inferred_freq
# 输出结果
print(frequency)
1021-6-3、结果输出
# 1021、pandas.DatetimeIndex.inferred_freq属性
# YE-DEC
1022、pandas.DatetimeIndex.indexer_at_time方法
1022-1、语法
# 1022、pandas.DatetimeIndex.indexer_at_time方法
pandas.DatetimeIndex.indexer_at_time(time, asof=False)
Return index locations of values at particular time of day.Parameters:
time
datetime.time or str
Time passed in either as object (datetime.time) or as string in appropriate format (“%H:%M”, “%H%M”, “%I:%M%p”, “%I%M%p”, “%H:%M:%S”, “%H%M%S”, “%I:%M:%S%p”, “%I%M%S%p”).Returns:
np.ndarray[np.intp]
1022-2、参数

1022-2-1、time(必需)：字符串或datetime.time对象，表示需要匹配的时间，格式通常是'HH:MM'。

1022-2-2、asof(可选，默认值为False)：布尔值，如果设置为True，该方法将返回所提供时间之前的最近索引，而不是所有匹配的索引。

1022-3、功能

        用于查找特定时间在DatetimeIndex中的索引位置，该方法允许你根据给定的时间字符串或时间对象，获取所有匹配的索引，其参数asof还可以进一步定义返回的行为。

1022-4、返回值

        返回一个整数数组，表示所有匹配或最近匹配的索引位置，如果没有匹配项，则返回一个空数组。

1022-5、说明

        无

1022-6、用法
1022-6-1、数据准备
无
1022-6-2、代码示例
# 1022、pandas.DatetimeIndex.indexer_at_time方法
import pandas as pd
# 创建一个日期范围
date_rng = pd.date_range(start='2024-11-14', end='2024-11-18', freq='h')
datetime_index = pd.DatetimeIndex(date_rng)
# 查找特定时间 (12:00)
indexer_all = datetime_index.indexer_at_time('12:00')
print("All indices for time 12:00:", indexer_all)
print("Corresponding dates:", datetime_index[indexer_all])
1022-6-3、结果输出
# 1022、pandas.DatetimeIndex.indexer_at_time方法
# All indices for time 12:00: [12 36 60 84]
# Corresponding dates: DatetimeIndex(['2024-11-14 12:00:00', '2024-11-15 12:00:00',
#                '2024-11-16 12:00:00', '2024-11-17 12:00:00'],
#               dtype='datetime64[ns]', freq=None)
1023、pandas.DatetimeIndex.indexer_between_time方法
1023-1、语法
# 1023、pandas.DatetimeIndex.indexer_between_time方法
pandas.DatetimeIndex.indexer_between_time(start_time, end_time, include_start=True, include_end=True)
Return index locations of values between particular times of day.Parameters:
start_time, end_time
datetime.time, str
Time passed either as object (datetime.time) or as string in appropriate format (“%H:%M”, “%H%M”, “%I:%M%p”, “%I%M%p”, “%H:%M:%S”, “%H%M%S”, “%I:%M:%S%p”,”%I%M%S%p”).include_start
bool, default True
include_end
bool, default True
Returns:
np.ndarray[np.intp]
1023-2、参数

1023-2-1、start_time(必需)：字符串或datetime.time对象，表示时间范围的起始时间。

1023-2-2、end_time(必需)：字符串或datetime.time对象，表示时间范围的结束时间。

1023-2-3、include_start(可选，默认值为True)：布尔值，如果为True，则包含起始时间的索引。

1023-2-4、include_end(可选，默认值为True)：布尔值，如果为True，则包含结束时间的索引。

1023-3、功能

        用于查找在指定时间范围内的索引位置，该方法非常适合处理时间序列数据，尤其是在你需要筛选特定时间段的数据时。

1023-4、返回值

        返回一个整数数组，表示在指定时间范围内的所有匹配索引位置，如果没有匹配项，则返回一个空数组。

1023-5、说明

        无

1023-6、用法
1023-6-1、数据准备
无
1023-6-2、代码示例
# 1023、pandas.DatetimeIndex.indexer_between_time方法
import pandas as pd
# 创建一个日期范围
date_rng = pd.date_range(start='2024-11-14', end='2024-11-17', freq='h')
datetime_index = pd.DatetimeIndex(date_rng)
# 查找在特定时间范围内的索引 (例如 10:00 到 12:00)
indexer = datetime_index.indexer_between_time('10:00', '12:00')
print("Indices between 10:00 and 12:00:", indexer)
print("Corresponding dates:", datetime_index[indexer])
# 查找不包含起始时间的索引
indexer_exclude_start = datetime_index.indexer_between_time('10:00', '12:00', include_start=False)
print("Indices between 10:00 and 12:00 (excluding start):", indexer_exclude_start)
print("Corresponding dates:", datetime_index[indexer_exclude_start])
1023-6-3、结果输出
# 1023、pandas.DatetimeIndex.indexer_between_time方法
# Indices between 10:00 and 12:00: [10 11 12 34 35 36 58 59 60]
# Corresponding dates: DatetimeIndex(['2024-11-14 10:00:00', '2024-11-14 11:00:00',
#                '2024-11-14 12:00:00', '2024-11-15 10:00:00',
#                '2024-11-15 11:00:00', '2024-11-15 12:00:00',
#                '2024-11-16 10:00:00', '2024-11-16 11:00:00',
#                '2024-11-16 12:00:00'],
#               dtype='datetime64[ns]', freq=None)
# Indices between 10:00 and 12:00 (excluding start): [11 12 35 36 59 60]
# Corresponding dates: DatetimeIndex(['2024-11-14 11:00:00', '2024-11-14 12:00:00',
#                '2024-11-15 11:00:00', '2024-11-15 12:00:00',
#                '2024-11-16 11:00:00', '2024-11-16 12:00:00'],
#               dtype='datetime64[ns]', freq=None)
1024、pandas.DatetimeIndex.normalize方法
1024-1、语法
# 1024、pandas.DatetimeIndex.normalize方法
pandas.DatetimeIndex.normalize(*args, **kwargs)
Convert times to midnight.The time component of the date-time is converted to midnight i.e. 00:00:00. This is useful in cases, when the time does not matter. Length is unaltered. The timezones are unaffected.This method is available on Series with datetime values under the .dt accessor, and directly on Datetime Array/Index.Returns:
DatetimeArray, DatetimeIndex or Series
The same type as the original data. Series will have the same name and index. DatetimeIndex will have the same name.
1024-2、参数

1024-2-1、*args(可选)：其他位置参数，为后续扩展功能做预留。

1024-2-2、**kwargs(可选)：其他关键字参数，为后续扩展功能做预留。

1024-3、功能

        用于将DatetimeIndex中的所有时间戳调整为相同的日期部分，具体来说就是将时间部分归零，对于比较或对齐时间序列数据非常有用。

1024-4、返回值

        返回一个新的DatetimeIndex，其中所有的时间部分都被设置为00:00:00(即午夜)。

1024-5、说明

        无

1024-6、用法
1024-6-1、数据准备
无
1024-6-2、代码示例
# 1024、pandas.DatetimeIndex.normalize方法
import pandas as pd
# 创建一个包含多个日期时间的DatetimeIndex
dates = pd.to_datetime(['2024-11-14 10:30:00', '2024-11-15 12:45:00', '2024-11-16 15:00:00'])
datetime_index = pd.DatetimeIndex(dates)
# 归一化DatetimeIndex
normalized_index = datetime_index.normalize()
print("原始DatetimeIndex:")
print(datetime_index)
print("\n归一化后的DatetimeIndex:")
print(normalized_index)
1024-6-3、结果输出
# 1024、pandas.DatetimeIndex.normalize方法
# 原始DatetimeIndex:
# DatetimeIndex(['2024-11-14 10:30:00', '2024-11-15 12:45:00',
#                '2024-11-16 15:00:00'],
#               dtype='datetime64[ns]', freq=None)
# 
# 归一化后的DatetimeIndex:
# DatetimeIndex(['2024-11-14', '2024-11-15', '2024-11-16'], dtype='datetime64[ns]', freq='D')
1025、pandas.DatetimeIndex.strftime方法
1025-1、语法
# 1025、pandas.DatetimeIndex.strftime方法
pandas.DatetimeIndex.strftime(date_format)
Convert to Index using specified date_format.Return an Index of formatted strings specified by date_format, which supports the same string format as the python standard library. Details of the string format can be found in python string format doc.Formats supported by the C strftime API but not by the python string format doc (such as “%R”, “%r”) are not officially supported and should be preferably replaced with their supported equivalents (such as “%H:%M”, “%I:%M:%S %p”).Note that PeriodIndex support additional directives, detailed in Period.strftime.Parameters:
date_format
str
Date format string (e.g. “%Y-%m-%d”).Returns:
ndarray[object]
NumPy ndarray of formatted strings.
1025-2、参数

1025-2-1、date_format(必需)：一个字符串，表示日期和时间的格式，与Python的strftime方法一致，您可以使用各种格式代码来指定要显示的日期和时间信息。

1025-3、功能

        用于将DatetimeIndex中的日期时间对象格式化为指定的字符串格式，该方法通常用于将时间戳转换为更易读的字符串格式，以便于展示或记录。

1025-4、返回值

        返回一个包含格式化字符串的NumPy数组(numpy.ndarray)，每个元素对应于DatetimeIndex中的相应时间戳。

1025-5、说明

        无

1025-6、用法
1025-6-1、数据准备
无
1025-6-2、代码示例
# 1025、pandas.DatetimeIndex.strftime方法
import pandas as pd
# 创建一个包含多个日期时间的DatetimeIndex
dates = pd.to_datetime(['2024-11-14 10:30:00', '2024-11-15 12:45:00', '2024-11-16 15:00:00'])
datetime_index = pd.DatetimeIndex(dates)
# 使用strftime格式化日期和时间
formatted_dates = datetime_index.strftime('%Y-%m-%d %H:%M:%S')
print("原始DatetimeIndex:")
print(datetime_index)
print("\n格式化后的字符串:")
print(formatted_dates)
1025-6-3、结果输出
# 1025、pandas.DatetimeIndex.strftime方法
# 原始DatetimeIndex:
# DatetimeIndex(['2024-11-14 10:30:00', '2024-11-15 12:45:00',
#                '2024-11-16 15:00:00'],
#               dtype='datetime64[ns]', freq=None)
# 
# 格式化后的字符串:
# Index(['2024-11-14 10:30:00', '2024-11-15 12:45:00', '2024-11-16 15:00:00'], dtype='object')

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/472681.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【miniMax开放平台-注册安全分析报告-无验证方式导致安全隐患】

【miniMax开放平台-注册安全分析报告-无验证方式导致安全隐患】

前言 由于网站注册入口容易被机器执行自动化程序攻击，存在如下风险： 暴力破解密码，造成用户信息泄露，不符合国家等级保护的要求。短信盗刷带来的拒绝服务风险 ，造成用户无法登陆、注册，大量收到垃圾短信的…
阅读更多...
树状数组+概率论，ABC380G - Another Shuffle Window

树状数组+概率论，ABC380G - Another Shuffle Window

目录 一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 二、解题报告 1、思路分析 2、复杂度 3、代码详解 一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 G - Another Shuffle Window 二、解题报告 1、思路分析 不难用树状数组计…
阅读更多...
MySQL：表设计

MySQL：表设计

表的设计 从需求中获得类，类对应到数据库中的实体，实体在数据库中表现为一张一张的表，类中的属性就对应着表中的字段（也就是表中的列） 表设计的三大范式： 在数据库设计中，三大范式&#xff0…
阅读更多...
网盘聚合搜索项目Aipan（爱盼）

网盘聚合搜索项目Aipan（爱盼）

本文软件由网友 刘源 推荐； 简介 什么是 Aipan（爱盼） ? Aipan（爱盼）是一个基于 Vue 和 Nuxt.js 技术构建的开源网盘搜索项目。其主要目标是为用户提供一个能够自主拥有和管理的网盘搜索网站。该项目持续维护和更新&a…
阅读更多...
当微软windows的记事本被AI加持

当微软windows的记事本被AI加持

1985年，微软发布了Windows 1.0，推出了一款革命性的产品：记事本（Notepad）。这款软件旨在鼓励使用一种未来主义的新设备——鼠标，并让人们可以不依赖VI等键盘工具就能书写文本和编写代码。记事本因其简洁和高…
阅读更多...
Dubbo 3.x源码(25)—Dubbo服务引用源码(8)notify订阅服务通知更新

Dubbo 3.x源码(25)—Dubbo服务引用源码(8)notify订阅服务通知更新

基于Dubbo 3.1，详细介绍了Dubbo服务的发布与引用的源码。 此前我们学习了接口级的服务引入订阅的refreshInterfaceInvoker方法，当时还有最为关键的notify服务通知更新的部分源码没有学习，本次我们来学习notify通知本地服务更新的源码。 Dubb…
阅读更多...
自存 关于RestController请求传参数 前端和后端相关

自存 关于RestController请求传参数 前端和后端相关

1.Get请求 Get请求传递参数一般是 1.通过PathVariable来映射 URL 绑定的占位符 后端 GetMapping("test/{id}")public R test(PathVariable Integer id){System.out.println(id);return R.success(id);}前端 export function test(id:any){return request({url:&q…
阅读更多...
Python练习27

Python练习27

Python日常练习 题目： 编写函数，接收一个正偶数a，任何一个都可以分解成两个 素数之和，如果存在多组符合条件的素数，则全部输出。 例如： 【请输入一个正偶数】50 50 3 47 50 7 43 50 13 37 5…
阅读更多...
查询DBA_FREE_SPACE缓慢问题

查询DBA_FREE_SPACE缓慢问题

这个是一个常见的问题，理论上应该也算是一个bug，在oracle10g，到19c，我都曾经遇到过；今天在给两套新建的19C RAC添加监控脚本时，又发现了这个问题，在这里记录一下。 Symptoms 环境：…
阅读更多...
已解决：spark代码中sqlContext.createDataframe空指针异常

已解决：spark代码中sqlContext.createDataframe空指针异常

这段代码是使用local模式运行spark代码。但是在获取了spark.sqlContext之后，用sqlContext将rdd算子转换为Dataframe的时候报错空指针异常 Exception in thread "main" org.apache.spark.sql.AnalysisException: java.lang.RuntimeException: java.lang.Nu…
阅读更多...
20.UE5UI预构造，开始菜单，事件分发器

20.UE5UI预构造，开始菜单，事件分发器

2-22 开始菜单、事件分发器、UI预构造_哔哩哔哩_bilibili 目录 1.UI预构造 2.开始菜单和开始关卡 2.1开始菜单 2.2开始关卡 2.3将开始菜单展示到开始关卡 3.事件分发器 1.UI预构造 如果我们直接再画布上设计我们的按钮，我们需要为每一个按钮进行编辑&#x…
阅读更多...
每天五分钟机器学习：支持向量机算法数学基础之核函数

每天五分钟机器学习：支持向量机算法数学基础之核函数

本文重点 从现在开始，我们将开启支持向量机算法的学习，不过在学习支持向量机算法之前，我们先来学习一些支持向量机所依赖的数学知识，这会帮助我们更加深刻的理解支持向量机算法，本文我们先来学习核函数。 定义 核函数（Kernel Function）是一种在支持向量机（SVM）、高…
阅读更多...
向潜在安全信息和事件管理 SIEM 提供商提出的六个问题

向潜在安全信息和事件管理 SIEM 提供商提出的六个问题

收集和解读数据洞察以制定可用的解决方案是强大网络安全策略的基础。然而，组织正淹没在数据中，这使得这项任务变得复杂。 传统的安全信息和事件管理 ( SIEM ) 工具是组织尝试使用的一种方法，但由于成本、资源和可扩展性等几个原因&#xff0…
阅读更多...
sqli-labs靶场17-20关（每日四关）持续更新！！！

sqli-labs靶场17-20关（每日四关）持续更新！！！

Less-17 打开靶场，发现页面比之前多了一行字 翻译过来就是，密码重置，大家肯定会想到，自己平时在日常生活中怎么密码重置，肯定是输入自己的用户名，输入旧密码，输入新密码就可以了，但…
阅读更多...
谷歌AI进军教育，这将改变未来？

谷歌AI进军教育，这将改变未来？

近日，谷歌（Google）正式发布了一款名为“Learn About”的全新人工智能工具，这犹如一颗耀眼的新星，在教育领域掀起了一阵波澜。这款产品具有诸多令人瞩目的亮点，为学习者带来了全新的学习体验。 个性化的学习…
阅读更多...
高级计算机算法的8道题（贪心、动态规划）

高级计算机算法的8道题（贪心、动态规划）

记录这篇的起因：最近要考试了，我又要考试了！！！是之前上过的一门课，然后这次老师划的重点跟没划无差了。毫无头绪，我就开始翻以前上过这门课的资料。（为什么我有点焦虑，是…
阅读更多...
Nginx: 实现Websocket代理

Nginx: 实现Websocket代理

概述 Nginx 代理模式中，大多都是基于 HTTP 的 Proxy 模块来对应设置的除此之外，Nginx 还可以实现更多细小化的协议的HTTP代理，比如 ws 的代理 WS 的建立模式 websocket 它其实是建立在HTTP连接上，先要建立起HTTP连接 建立好连接…
阅读更多...
TypeORM在Node.js中的高级应用

TypeORM在Node.js中的高级应用

💓 博客主页：瑕疵的CSDN主页 📝 Gitee主页：瑕疵的gitee主页 ⏩ 文章专栏：《热点资讯》 TypeORM在Node.js中的高级应用 TypeORM在Node.js中的高级应用 TypeORM在Node.js中的高级应用 引言 TypeORM 基本概念 1. 实体&am…
阅读更多...
Spring整合Redis

Spring整合Redis

前言 在Spring项目中整合Redis，能显著提升数据缓存、分布式锁、会话管理等操作的效率。Jedis作为轻量级的Java Redis客户端，搭配Spring Data Redis模块，能够简化Redis的连接和数据操作，实现更高性能的读写与灵活的缓存管理。本文…
阅读更多...
将已有的MySQL8.0单机架构变成主从复制架构

将已有的MySQL8.0单机架构变成主从复制架构

过程: 把数据库做一个完全备份, 恢复到从节点上, 恢复后从备份的那个点开始往后复制,从而保证后续数据的一致性。 步骤: 修改 master 主节点 的配置（ server-id log-bin ）master 主节点 完全备份（ mysqldump ）master 主节点 创建…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023