有効な日付を持つ標準のYYYY-MM-DD文字列でインデックス付けされているにもかかわらず、DatetimeIndexとして認識されない時系列があります。それらを有効なDatetimeIndexに強制することは、私が何か間違ったことをしていると思うほど洗練されていないようです。
無効な日時値を含む(他の誰かの遅延フォーマットされた)データを読み込み、これらの無効な観測値を削除します。
In [1]: df = pd.read_csv('data.csv',index_col=0)
In [2]: print df['2008-02-27':'2008-03-02']
Out[2]:
count
2008-02-27 20
2008-02-28 0
2008-02-29 27
2008-02-30 0
2008-02-31 0
2008-03-01 0
2008-03-02 17
In [3]: def clean_timestamps(df):
# remove invalid dates like '2008-02-30' and '2009-04-31'
to_drop = list()
for d in df.index:
try:
datetime.date(int(d[0:4]),int(d[5:7]),int(d[8:10]))
except ValueError:
to_drop.append(d)
df2 = df.drop(to_drop,axis=0)
return df2
In [4]: df2 = clean_timestamps(df)
In [5] :print df2['2008-02-27':'2008-03-02']
Out[5]:
count
2008-02-27 20
2008-02-28 0
2008-02-29 27
2008-03-01 0
2008-03-02 17
この新しいインデックスは、DatetimeIndexではなく「object」dtypeとしてのみ認識されます。
In [6]: df2.index
Out[6]: Index([2008-01-01, 2008-01-02, 2008-01-03, ..., 2012-11-27, 2012-11-28,
2012-11-29], dtype=object)
NaNは異なるdtypeであるため、インデックスの再作成により生成されます。
In [7]: i = pd.date_range(start=min(df2.index),end=max(df2.index))
In [8]: df3 = df2.reindex(index=i,columns=['count'])
In [9]: df3['2008-02-27':'2008-03-02']
Out[9]:
count
2008-02-27 NaN
2008-02-28 NaN
2008-02-29 NaN
2008-03-01 NaN
2008-03-02 NaN
適切なインデックスを使用して新しいデータフレームを作成し、データを辞書にドロップしてから、辞書の値に基づいて新しいデータフレームを作成します(欠損値をスキップします)。
In [10]: df3 = pd.DataFrame(columns=['count'],index=i)
In [11]: values = dict(df2['count'])
In [12]: for d in i:
try:
df3.set_value(index=d,col='count',value=values[d.isoformat()[0:10]])
except KeyError:
pass
In [13]: print df3['2008-02-27':'2008-03-02']
Out[13]:
count
2008-02-27 20
2008-02-28 0
2008-02-29 27
2008-03-01 0
2008-03-02 17
In [14]: df3.index
Out[14];
<class 'pandas.tseries.index.DatetimeIndex'>
[2008-01-01 00:00:00, ..., 2012-11-29 00:00:00]
Length: 1795, Freq: D, Timezone: None
文字列をキーとする辞書の検索に基づいて値を設定するこの最後の部分は、特にハックが多いように思われ、何か重要なものを見逃したと思います。
pd.to_datetime
を使用できます:
In [1]: import pandas as pd
In [2]: pd.to_datetime('2008-02-27')
Out[2]: datetime.datetime(2008, 2, 27, 0, 0)
これにより、インデックスをシリーズに適用することで、インデックス(または同様に列)を「クリーン」できます。
df.index = pd.to_datetime(df.index)
または
df['date_col'] = df['date_col'].apply(pd.to_datetime)