python提取特定时间段内的数据
尝试一下:
1
2
|
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
'''
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
|
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,谢谢大家对服务器之家的支持。如果你想了解更多相关内容请查看下面相关链接
原文链接:https://blog.csdn.net/zhuisaozhang1292/article/details/85207298