专栏首页算法channelPandas 数据分析: 3 种方法实现一个实用小功能

Pandas 数据分析: 3 种方法实现一个实用小功能

Pandas 的强大体现在其简洁,解决一些数据分析问题非常方便。

今天解释一个实用的小功能,或许日后工作学习中会用到。

求两列时分(HH:mm)表示数据的分钟数差值。

1 数据

作为演示,构造如下四行两列的数据,每一个单元格取值格式为:时分:

使用pandas读入数据:使用的 pandas 版本为 0.25.1

df = pd.read_excel('test_date_subtract.xlsx')
df

2 直觉解法

与时间相关,自然第一感觉便是转化为datetime格式,这里需要注意:需要首先将两列转化为 str 类型。

直接使用 astype 转为 str 类型:

df['a'] = df['a'].astype(str)
df['b'] = df['b'].astype(str) 

然后转化为 datetime 类型:

df['atime'] = pd.to_datetime(df['a'])
df['btime'] = pd.to_datetime(df['b'])
df 

然后使用 dt 访问器转化为分钟数:

df['amins'] = df['atime'].dt.hour * 60 + df['atime'].dt.minute 
df['bmins'] = df['btime'].dt.hour * 60 + df['btime'].dt.minute 
df 

最后求分钟数差值:

df['mins'] = df['amins'] - df['bmins'] 
df 

3 转为 DatetimeIndex

转化为 DatetimeIndex 类型后,直接获取 hour 和 minute 属性:

atime = pd.DatetimeIndex(df['a'])
btime = pd.DatetimeIndex(df['b'])
df['amins'] = atime.hour * 60 + atime.minute
df['bmins'] = btime.hour * 60 + btime.minute 
df 

4 使用 split

以上方法都不是最高效的,而根据: split 是更加高效的实现。

同样也得先转化为 str 类型:

df['a'] = df['a'].astype(str)
df['b'] = df['b'].astype(str)

其次 split:

df['asplit'] = df['a'].str.split(':')
df['bsplit'] = df['b'].str.split(':')
df 

得到结果如下:

使用 apply 操作每个元素,转化为分钟数:

df['amins'] = df['asplit'].apply(lambda x: int(x[0])*60 + int(x[1]))
df['bmins'] = df['bsplit'].apply(lambda x: int(x[0])*60 + int(x[1]))
df 

5 总结

以上就是使用 pandas 三种方法求解时分表示数据的分钟数差值,使用到的 API 包括:

  • to_datetime 转化为日期时间
  • datetime 类型列的 dt 访问器
  • DatetimeIndex 类型,带有 hour, minute 等属性
  • Series.astype 为某个类型
  • Series.str.split 分隔字符串
  • Series.apply 操作到元素级

本文分享自微信公众号 - Python与机器学习算法频道(alg-channel),作者:zhenguo

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-06-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 2 个数据处理的小功能,非常实用!

    0.25 版本开始支持 query 方法,可读性上又获得大幅提升,类似 sql 查询数据的写法,更加人性化。

    double
  • Pandas 4 个小 trick,都很实用!

    对于动辄就几十或几百个 G 的数据,在读取这么大数据时,有没有办法随机选取一小部分数据,然后读入内存,快速了解数据和开展 EDA ?

    double
  • 数据清洗常用的 2 个小 trick

    有特征上百个,根据多个特征筛选 DataFrame 时,如果这么做,可读性不太友好:

    double
  • 快速介绍Python数据分析库pandas的基础知识和代码示例

    “软件工程师阅读教科书作为参考时不会记住所有的东西,但是要知道如何快速查找重·要的知识点。”

    deephub
  • Python中字段抽取、字段拆分、记录抽取

    1、字段抽取 字段抽取是根据已知列数据的开始和结束位置,抽取出新的列 字段截取函数:slice(start,stop) 注意:和数据结构的访问方式一样,开始位置...

    Erin
  • Pandas进阶修炼120题,给你深度和广度的船新体验

    本文为你介绍Pandas基础、Pandas数据处理、金融数据处理等方面的一些习题。

    数据派THU
  • 在郑州,你该买哪里的房子?

    某次和领导吃饭,无意中提到了房子的话题,说了几句自己的心得经验(虽然没有再次实操的资本),却给领导留下了深深的印象(领导,你不是又要在郑州置业了吧)。

    WindyQin
  • Day05| 第四期-电商数据分析

    疫情期间,想必我们会增加网上购物,人们的生活越来越数字化。当我们消费时,无论是线上和线下都会产生大量的交易数据,对于商家来说数字化的运营方式非常必要,从大量的交...

    DataScience
  • pandas数据清洗,排序,索引设置,数据选取

    df.isnull() df的空值为True df.notnull() df的非空值为True

    李智
  • 妈妈再也不用担心我忘记pandas操作了

    pandas的操作上千种,但对于数据分析的使用掌握常用的操作就可以应付了,更多的操作可以参考pandas官网。

    用户2769421

扫码关注云+社区

领取腾讯云代金券