从 pandas 日期时间索引计算经过的时间 timedelta

Question

我有一个带有 datetimeindex 的 pandas 数据框。我想创建一个包含经过时间的列。我是这样计算的：

startTime = df.index[0]
elapsed = df.index - startTime

结果：

TypeError                                 Traceback (most recent call last)
<ipython-input-56-279fd541b1e2> in <module>()
----> 1 df.index - startTime

C:\Python27\lib\site-packages\pandas\tseries\index.pyc in __sub__(self, other)
    612             return self.shift(-other)
    613         else:  # pragma: no cover
--> 614             raise TypeError(other)
    615 
    616     def _add_delta(self, delta):

TypeError: 2014-07-14 14:47:57

奇怪的是，例如：

df.index[1] - startTime

返回：

datetime.timedelta(0, 1)

我认为可能是因为它是一个日期时间索引而不是一个导致问题的普通系列。但是，当我第一次使用 df.index 作为数据参数创建一个新系列然后尝试减法时，我收到一大堆警告，说我隐式转换了两种不兼容的类型，并且它在未来将不起作用：

timeStamps =pd.Series(data=df.index)
elapsed = timeStamps - timeStamps[0]

返回

C:\Python27\lib\site-packages\pandas\core\format.py:1851: DeprecationWarning:     Implicitly casting between incompatible kinds. In a future numpy release, this will raise an error. Use casting="unsafe" if this is intentional.
  elif format_short and x == 0:

虽然我确实使用后一种方法得到了正确的一系列 TimeDelta，但我不喜欢依赖已弃用的代码。是否有“正确”的方法来计算经过的时间？

这是我从中获取数据的 csv 文件的一部分：

Timestamp   Bubbler_Temperature_Setpoint
14-7-2014 14:47:57  13.000000
14-7-2014 14:47:58  13.000000
14-7-2014 14:47:59  13.000000
14-7-2014 14:48:00  13.000000
14-7-2014 14:48:01  13.000000
14-7-2014 14:48:02  13.000000
14-7-2014 14:48:03  13.000000
14-7-2014 14:48:04  13.000000
14-7-2014 14:48:05  13.000000

我使用“read_csv”函数将其读入数据帧：

df = pd.read_csv('test.csv',sep='\t',parse_dates='Timestamp',index_col='Timestamp')

我使用的是熊猫版本 0.13.1

Answer 1

我刚刚换了

elapsed = df.index - startTime

到

df['elapsed'] = df.index - startTime

获取时间变化列。这还不够吗？

Answer 2

你正在做这个：

In [30]: ts = Series(13,date_range('20140714 14:47:57',periods=10,freq='s'))

In [31]: ts
Out[31]: 
2014-07-14 14:47:57    13
2014-07-14 14:47:58    13
2014-07-14 14:47:59    13
2014-07-14 14:48:00    13
2014-07-14 14:48:01    13
2014-07-14 14:48:02    13
2014-07-14 14:48:03    13
2014-07-14 14:48:04    13
2014-07-14 14:48:05    13
2014-07-14 14:48:06    13
Freq: S, dtype: int64

# iirc this is available in 0.13.1 (if not, use ``Series(ts.index)``
In [32]: x = ts.index.to_series()

In [33]: x-x.iloc[0]
Out[33]: 
2014-07-14 14:47:57   00:00:00
2014-07-14 14:47:58   00:00:01
2014-07-14 14:47:59   00:00:02
2014-07-14 14:48:00   00:00:03
2014-07-14 14:48:01   00:00:04
2014-07-14 14:48:02   00:00:05
2014-07-14 14:48:03   00:00:06
2014-07-14 14:48:04   00:00:07
2014-07-14 14:48:05   00:00:08
2014-07-14 14:48:06   00:00:09
Freq: S, dtype: timedelta64[ns]

在您的示例中执行 df.index-df.index[0] 不是 timedelta 操作，而是 SET 操作。见here