Python提取特定时间段内数据的方法实例
python提取特定时间段内的数据
尝试一下：
data['Date'] = pd.to_datetime(data['Date'])
data = data[(data['Date'] >=pd.to_datetime('20120701')) & (data['Date'] <= pd.to_datetime('20120831'))]
实际测试
'''
Created on 2019年1月3日
@author: hcl
'''
import pandas as pd
import matplotlib.pyplot as plt
data_path = 'one_20axyz.csv'
if __name__ == '__main__':
msg = pd.read_csv(data_path)
# ID_set = set(msg['Time'].tolist())
# ID_list = list(ID_set)
# print(len(msg['Time'].tolist()),len(ID_list),len(msg['Time'].tolist())/len(ID_list))#打印数据量 多少秒 平均每秒多少个
# print(msg.head(10))
# left_a = msg[msg['leg'] == 1]['az']
# right_a = msg[msg['leg'] == 2]['az']
# plt.plot(left_a,label = 'left_a')
# plt.plot(right_a,label = 'right_a')
# plt.legend(loc = 'best')
# plt.show()
left_msg = msg[msg['leg'] == 1] #DataFrame
data = left_msg[(pd.to_datetime(left_msg['Time'] ,format = '%H:%M:%S')>= pd.to_datetime('16:23:42',format = '%H:%M:%S')) & (pd.to_datetime(left_msg['Time'] ,format = '%H:%M:%S') <= pd.to_datetime('16:23:52',format = '%H:%M:%S'))]
# print(msg.head())
print(data)
输出：
Time ID leg ax ay az a Rssi
1 16:23:42 5 1 0.6855 -0.6915 0.1120 0.980116 -34
3 16:23:42 5 1 0.6800 -0.6440 0.1365 0.946450 -31
5 16:23:42 5 1 0.7145 -0.7240 0.1095 1.023072 -34
7 16:23:42 5 1 0.7050 -0.6910 0.1080 0.993061 -30
9 16:23:42 5 1 0.7120 -0.6400 0.0920 0.961773 -31
10 16:23:42 5 1 0.7150 -0.6810 0.1290 0.995805 -34
12 16:23:42 5 1 0.7250 -0.6655 0.1890 1.002116 -32
13 16:23:42 5 1 0.7160 -0.7065 0.1000 1.010840 -31
15 16:23:42 5 1 0.7545 -0.6990 0.1715 1.042729 -30
17 16:23:42 5 1 0.7250 -0.6910 0.1325 1.010278 -31
19 16:23:42 5 1 0.7520 -0.7260 0.1820 1.060992 -33
21 16:23:42 5 1 0.7005 -0.7150 0.0605 1.002789 -33
23 16:23:42 5 1 0.7185 -0.6630 0.1430 0.988059 -30
25 16:23:42 5 1 0.7170 -0.7040 0.0920 1.009044 -34
27 16:23:42 5 1 0.7230 -0.6810 0.1060 0.998862 -31
29 16:23:42 5 1 0.7230 -0.6720 0.0940 0.991539 -31
31 16:23:42 5 1 0.6955 -0.6975 0.0720 0.987629 -33
32 16:23:42 5 1 0.7430 -0.6895 0.1495 1.024602 -34
34 16:23:43 5 1 0.7360 -0.6855 0.1200 1.012920 -32
36 16:23:43 5 1 0.7160 -0.7000 0.1330 1.010121 -30
38 16:23:43 5 1 0.7095 -0.7165 0.1090 1.014221 -31
40 16:23:43 5 1 0.7195 -0.6895 0.1270 1.004599 -34
44 16:23:43 5 1 0.7315 -0.6855 0.1000 1.007473 -34
46 16:23:43 5 1 0.7240 -0.7020 0.0960 1.013013 -31
48 16:23:43 5 1 0.7240 -0.7010 0.0970 1.012416 -32
50 16:23:43 5 1 0.7380 -0.6820 0.1480 1.015713 -34
52 16:23:43 5 1 0.7285 -0.6990 0.0990 1.014453 -33
53 16:23:43 5 1 0.7160 -0.7005 0.1630 1.014852 -30
55 16:23:43 5 1 0.7175 -0.6940 0.0735 1.000922 -29
57 16:23:43 5 1 0.7140 -0.7170 0.0960 1.016416 -28
.. ... .. ... ... ... ... ... ...
285 16:23:51 5 1 0.0550 -1.0205 0.0955 1.026433 -35
287 16:23:51 5 1 0.0670 -1.0175 0.0915 1.023801 -22
289 16:23:51 5 1 0.0595 -1.0090 0.1025 1.015937 -24
291 16:23:51 5 1 0.0605 -0.9970 0.0905 1.002925 -32
293 16:23:51 5 1 0.0650 -1.0185 0.0740 1.023251 -31
295 16:23:51 5 1 0.0595 -0.9915 0.0945 0.997769 -35
298 16:23:51 5 1 0.0420 -1.0105 0.0970 1.016013 -18
300 16:23:51 5 1 0.0545 -1.0440 0.0795 1.048440 -21
302 16:23:51 5 1 0.0460 -0.9915 0.0765 0.995510 -30
304 16:23:51 5 1 0.0650 -1.0100 0.0810 1.015326 -30
306 16:23:51 5 1 0.0530 -1.0240 0.0765 1.028220 -34
308 16:23:51 5 1 0.0490 -1.0060 0.0785 1.010247 -21
310 16:23:52 5 1 0.0490 -1.0155 0.0760 1.019518 -24
312 16:23:52 5 1 0.0370 -0.9870 0.0660 0.989896 -30
313 16:23:52 5 1 0.0400 -1.0185 0.0435 1.020213 -30
314 16:23:52 5 1 0.0450 -1.0070 0.0540 1.009450 -34
316 16:23:52 5 1 0.0420 -0.9800 0.0595 0.982703 -34
318 16:23:52 5 1 0.0400 -1.0000 0.0595 1.002567 -20
320 16:23:52 5 1 0.0355 -1.0025 0.0635 1.005136 -20
322 16:23:52 5 1 0.0430 -0.9940 0.0735 0.997641 -30
324 16:23:52 5 1 0.0480 -1.0135 0.0640 1.016652 -33
326 16:23:52 5 1 0.0440 -1.0035 0.0670 1.006696 -33
328 16:23:52 5 1 0.0455 -1.0090 0.0600 1.011806 -21
330 16:23:52 5 1 0.0420 -1.0005 0.0605 1.003207 -15
332 16:23:52 5 1 0.0510 -1.0165 0.0670 1.019981 -29
334 16:23:52 5 1 0.0300 -1.0040 0.0460 1.005501 -30
336 16:23:52 5 1 0.0370 -1.0130 0.0500 1.014908 -34
338 16:23:52 5 1 0.0500 -1.0010 0.0530 1.003648 -20
341 16:23:52 5 1 0.0400 -0.9630 0.0615 0.965790 -21
343 16:23:52 5 1 0.0365 -1.0295 0.0410 1.030962 -30
[176 rows x 8 columns]
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对我们的支持。如果你想了解更多相关内容请查看下面相关链接
相关推荐
-
Python时间序列处理之ARIMA模型的使用讲解
ARIMA模型 ARIMA模型的全称是自回归移动平均模型,是用来预测时间序列的一种常用的统计模型,一般记作ARIMA(p,d,q). ARIMA的适应情况 ARIMA模型相对来说比较简单易用.在应用ARIMA模型时,要保证以下几点: 时间序列数据是相对稳定的,总体基本不存在一定的上升或者下降趋势,如果不稳定可以通过差分的方式来使其变稳定. 非线性关系处理不好,只能处理线性关系 判断时序数据稳定 基本判断方法:稳定的数据,总体上是没有上升和下降的趋势的,是没有周期性的,方差趋向于一个稳定的值. A
-
彻底理解Python中的yield关键字
阅读别人的python源码时碰到了这个yield这个关键字,各种搜索终于搞懂了,在此做一下总结: 通常的for...in...循环中,in后面是一个数组,这个数组就是一个可迭代对象,类似的还有链表,字符串,文件.它可以是mylist = [1, 2, 3],也可以是mylist = [x*x for x in range(3)].它的缺陷是所有数据都在内存中,如果有海量数据的话将会非常耗内存. 生成器是可以迭代的,但只可以读取它一次.因为用的时候才生成.比如 mygenerator = (x*x
-
浅谈python的输入输出，注释，基本数据类型
1.输入与输出 python中输入与输出函数为:print.input help() 帮助的使用:help() help(print) print(value, ..., sep=' ', end='\n', file=sys.stdout, flush=False) Prints the values to a stream, or to sys.stdout by default. Optional keyword arguments: file: a file-like object (s
-
python flask安装和命令详解
Flask Web开发实战学习笔记 Flask简介 Flask是使用Python编写的Web微框架.Web框架可以让我们不用关 心底层的请求响应处理,更方便高效地编写Web程序.因为Flask核心简 单且易于扩展,所以被称作微框架(micro framework).Flask有两个主 要依赖,一个是WSGI(Web Server Gateway Interface,Web服务器网关 接口)工具集--Werkzeug(http://werkzeug.pocoo.org/),另一个是 Jinja2模
-
Python3字符串encode与decode的讲解
大家好,很久没更新了,也是年底了最近比较忙,同时也在研究python的其他内容,毕竟是python小白,自学道路艰难. 好了今天和大家一起探讨下python3编码过程中对的一些转码事宜. python3中对文本和二进制做了比较清晰的区分.python3默认编码为unicode,由str类型进行表示.二进制数据使用byte类型表示,所以不会将str和byte混在一起.在实际应用中我们经常需要将两者进行互转 有几点需要注意: 1:字符串通过编码转换为字节码,字节码通过解码转换为字符串 str--->
-
Python代码实现删除一个list里面重复元素的方法
网上学习了的两个新方法,代码非常之简洁.看来,不是只要实现了基本功能就能交差滴,想要真的学好python还有很长的一段路呀 方法一:是利用map的fromkeys来自动过滤重复值,map是基于hash的,大数组的时候应该会比排序快点吧 方法二:是用set(),set是定义集合的,无序,非重复 方法三:是排序后,倒着扫描,遇到已有的元素删之 #!/usr/bin/python #coding=utf-8 ''' Created on 2012-2-22 Q: 给定一个列表,去掉其重复的元素,并输出
-
python查询文件夹下excel的sheet名代码实例
本文实例为大家分享了python查询文件夹下excel的sheet的具体代码,供大家参考,具体内容如下 import os,sys,stat,xlrd path=r"F:\360Downloads" sheet = input("sheet name:") def del_file(path): ls = os.listdir(path) for i in ls: c_path = os.path.join(path, i) if os.path.isdir(c_p
-
python使用Plotly绘图工具绘制散点图、线形图
今天在研究Plotly绘制散点图的方法,供大家参考,具体内容如下 使用Python3.6 + Plotly Plotly版本2.0.0 在开始之前先说说,还需要安装库Numpy,安装方法在我的另一篇博客中有写到:python3.6下Numpy库下载与安装图文教程 因为Plotly没有自己独立的线性图形函数,所以把线性图形与散点图形全部用一个函数实现 这个函数是Scatter函数 下面举几个简单的例子 先画一个纯散点图,代码如下: import plotly import plotly.graph
-
python环境路径配置以及命令行运行脚本
本文实例为大家分享了python环境路径设置方法,以及命令行运行python脚本,供大家参考,具体内容如下 找Python安装目录,设置环境路径以及在命令行运行python脚本 第一点:找Python安装目录 方法一: 方法二: 输入import sys print(sys.path) 化黑线处 第二点:找到安装目录后就可以开始设置环境变量 这里我的安装目录为C:\Program Files\Python36 再字符串的末尾,加一个分号; 然后再输入你安装python的路径,如图所示 一路点确定
-
Python参数解析模块sys、getopt、argparse使用与对比分析
一些命令行工具的使用能够大大简化代码脚本的维护成本,提升复用性,今天主要是借助于python提供的几种主流的参数解析工具来实现简单的功能,主要是学习实践为主,这是新年伊始开工的第一篇,还是花了一番功夫来完成写作的和实验的,希望能够帮到需要的朋友们,新的一年里,祝大家心想事成! 好了,废话不多说,下面进入正文. Python中有三个内建的模块用于处理命令行参数: 第一个:sys,最简单,只能够提供简单的参数解析功能 第二个:getopt,只能简单的处理命令行参数 ,较sys封装更好一点 第三个:a