Python提取特定時間段內(nèi)數(shù)據(jù)的方法實例
更新時間：2019年04月01日 08:45:05 作者：淮南草
今天小編就為大家分享一篇關(guān)于Python提取特定時間段內(nèi)數(shù)據(jù)的方法實例，小編覺得內(nèi)容挺不錯的，現(xiàn)在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧
python提取特定時間段內(nèi)的數(shù)據(jù)
嘗試一下：
data['Date'] = pd.to_datetime(data['Date'])
data = data[(data['Date'] >=pd.to_datetime('20120701')) & (data['Date'] <= pd.to_datetime('20120831'))]
實際測試
'''
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))#打印數(shù)據(jù)量 多少秒 平均每秒多少個
# 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)
輸出：
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]
總結(jié)
以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，謝謝大家對腳本之家的支持。如果你想了解更多相關(guān)內(nèi)容請查看下面相關(guān)鏈接
相關(guān)文章
在Python中，可以對String調(diào)用decode和encode方法來實現(xiàn)轉(zhuǎn)碼。2008-10-10
本文主要介紹了pandas函數(shù)isnull的具體使用，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2022-06-06
Python實現(xiàn)杰卡德距離以及環(huán)比算法講解
這篇文章主要為大家介紹了Python實現(xiàn)杰卡德距離以及環(huán)比算法的示例講解，有需要的朋友可以借鑒參考下2022-02-02
這篇文章主要介紹了python中如何調(diào)用ansys問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-02-02
Python使用textract實現(xiàn)從各種文件中提取文本信息
textract是一個強大的Python庫,可以用于從各種文件格式中提取文本,本文將介紹textract的使用場景,以及一些常用的Python代碼案例,希望對大家有所幫助2024-01-01
Python中zip()函數(shù)的解釋和可視化(實例詳解)
zip() 函數(shù)用于將可迭代的對象作為參數(shù)，將對象中對應(yīng)的元素打包成一個個元組，然后返回由這些元組組成的列表。這篇文章主要介紹了Python中zip()函數(shù)的解釋和可視化,需要的朋友可以參考下2020-02-02
這篇文章主要為大家詳細介紹了Python繪制百分比堆疊柱狀圖并填充圖案，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-04-04
使用EduBlock輕松學(xué)習(xí)Python編程
今天小編就為大家分享一篇關(guān)于使用EduBlock輕松學(xué)習(xí)Python編程的文章，小編覺得內(nèi)容挺不錯的，現(xiàn)在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧2018-10-10
這篇文章主要介紹了Python大批量搜索引擎圖像爬蟲工具,本文給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-11-11
Python實現(xiàn)mysql數(shù)據(jù)庫更新表數(shù)據(jù)接口的功能
這篇文章主要給大家介紹了關(guān)于Python如何實現(xiàn)mysql數(shù)據(jù)庫更新表數(shù)據(jù)接口功能的相關(guān)資料，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧。2017-11-11