Python: Comment développer une méthode similaire entre-temps sur pandas 0.9.0?

Question

Je suis coller aux pandas 0.9.0 car je travaille sous python 2.5, par conséquent je n'ai aucune méthode between_time disponible.

J'ai un DataFrame de dates et j'aimerais filtrer toutes les dates qui sont entre certaines heures, par ex. entre 08:00 et 09:00 pour toutes les dates dans le DataFrame df.

import pandas as pd 
import numpy as np 
import datetime 

dates = pd.date_range(start="08/01/2009",end="08/01/2012",freq="10min") 
df = pd.DataFrame(np.random.rand(len(dates), 1)*1500, index=dates, columns=['Power']) 

Comment puis-je développer une méthode qui fournit des mêmes fonctionnalités que la méthode between_time?

NB: Le problème d'origine, je suis en train d'accomplir est sous Python: Filter DataFrame in Pandas by hour, day and month grouped by year

Answer 1

MISE À JOUR:

essayez d'utiliser:

df.loc[df.index.indexer_between_time('08:00','09:50')] 

réponse VIEUX:

I Je ne suis pas sûr que ça va marcher sur Pandas 0.9.0, mais ça vaut le coup pour l'essayer:

df[(df.index.hour >= 8) & (df.index.hour <= 9)] 

PS s'il vous plaît être conscient - ce n'est pas la même chose que between_time comme il vérifie seulement les heures et between_time est en mesure de vérifier temps comme df.between_time('08:01:15','09:13:28')

Conseil: télécharger un code source pour une version plus récente de Pandas et jetez un oeil à la définition de indexer_between_time() fonction dans pandas/tseries/index.py - vous pouvez le cloner pour vos besoins

---

MISE À JOUR: à partir de Pandas 0.20.1 the .ix indexer is deprecated, in favor of the more strict .iloc and .loc indexers.

Answer 2

est ici un moyen basé sur NumPy de le faire:

import pandas as pd 
import numpy as np 
import datetime 

dates = pd.date_range(start="08/01/2009",end="08/01/2012",freq="10min") 
df = pd.DataFrame(np.random.rand(len(dates), 1)*1500, index=dates, columns=['Power']) 

epoch = np.datetime64('1970-01-01') 
start = np.datetime64('1970-01-01 08:00:00') 
end = np.datetime64('1970-01-01 09:00:00') 

# convert the dates to a NumPy datetime64 array 
date_array = df.index.asi8.astype('<M8[ns]') 

# replace the year/month/day with 1970-01-01 
truncated = (date_array - date_array.astype('M8[D]')) + epoch 

# compare the hour/minute/seconds etc with `start` and `end` 
mask = (start <= truncated) & (truncated <=end) 

print(df[mask]) 

cède

      Power 
2009-08-01 08:00:00 1007.289466 
2009-08-01 08:10:00 770.732422 
2009-08-01 08:20:00 617.388909 
2009-08-01 08:30:00 1348.384210 
... 
2012-07-31 08:30:00 999.133350 
2012-07-31 08:40:00 1451.500408 
2012-07-31 08:50:00 1161.003167 
2012-07-31 09:00:00 670.545371