Pandas/datetime.py - main - Nikolai999/Python

Pandas/datetime.py
66 строк5 KB
Николай
update 03.02.2022
03 фев 2022, 19:39
03 фев 2022, 19:396157ccd
# ФОРМАТ DATETIME

# Для преобразовывания в формат datetime функция pandas.to_datetime(). 
# Преобразуем столбец Date в формат datetime:
df['Date'] = pd.to_datetime(df['Date'])


# ВЫДЕЛЕНИЕ АТРИБУТОВ DATETIME
# Тип данных datetime позволяет с помощью специального аксессора dt выделять составляющие времени из каждого элемента столбца, такие как:
# date — дата;
# year, month, day — год, месяц, день;
# time — время;
# hour, minute, second — час, минута, секунда;
# dayofweek — номер дня недели, от 0 до 6, где 0 — понедельник, 6 — воскресенье;
# day_name — название дня недели;
# dayofyear — порядковый день года;
# quarter — квартал (интервал в три месяца).


# Например, обратившись по атрибуту dt.year в столбце Date, мы можем «достать» год продажи 
# и понять, за какой интервал времени (в годах) у нас представлены данные, 
years_sold = df['Date'].dt.year

# В результате обращения к атрибуту datetime df['Date'].dt.year мы получаем объект Series, 
# в котором в качестве значений выступают годы. 
# Мы можем занести результат в переменную year_sold и далее работать с ней как с обычным столбцом Series — вычислять максимум, минимум и модальное значение.

# а также на какой год приходится наибольшее число продаж:
print('Min year sold:', years_sold.min())
print('Max year sold:', years_sold.max())

# Примечание. Так как модальных значений в столбце может быть несколько, 
# метод mode() возвращает объект Series, даже если мода в данных только одна. 
# Чтобы сохранить стилистику вывода информации о годе продажи и выводить только число, а не Series, 
# мы обращаемся к результату работы метода mode() по индексу 0.
print('Mode year sold:', years_sold.mode()[0])


# Теперь попробуем понять, на какие месяцы приходится пик продаж объектов недвижимости
# Для этого выделим атрибут dt.month и на этот раз занесём результат в столбец MonthSale
# найдём относительную частоту продаж для каждого месяца от общего количества продаж
# — для этого используем метод value_counts() с параметром normalize (вывод в долях):
melb_df['MonthSale'] = melb_df['Date'].dt.month
print(melb_df['MonthSale'].value_counts(normalize=True))


#РАБОТА С ИНТЕРВАЛАМИ

# можно вычислить, сколько дней прошло с 1 января 2016 года до момента продажи объекта. 
# Для этого можно просто найти разницу между датами продаж и заявленной '2016-01-01':
delta_days = melb_df['Date'] - pd.to_datetime('2016-01-01') 

# Чтобы превратить количество дней из формата интервала в формат целого числа дней, можно воспользоваться аксессором dt для формата timedelta 
# и извлечь из него атрибут days:
print(delta_days.dt.days)


# Создадим признак возраста объекта недвижимости в годах на момент продажи. 
# Для этого выделим из столбца с датой продажи год и вычтем из него год постройки здания. 
# Результат оформим в виде столбца AgeBuilding:
melb_df['AgeBuilding'] = melb_df['Date'].dt.year - melb_df['YearBuilt']


# столбец AgeBuilding дублирует информацию столбца YearBuilt, так как, зная год постройки здания, мы автоматически знаем его возраст
# Такие признаки не стоит оставлять вместе
melb_df = melb_df.drop('YearBuilt', axis=1)