在熊猫中生成给定范围内的随机日期答案

【问题标题】：Generating random dates within a given range in pandas在熊猫中生成给定范围内的随机日期
【发布时间】：2018-11-06 14:48:26
【问题描述】：

这是一个自我回答的帖子。一个常见的问题是在给定的开始日期和结束日期之间随机生成日期。

有两种情况需要考虑：

带有时间分量的随机日期，以及
没有时间的随机日期

例如，给定一些开始日期 2015-01-01 和结束日期 2018-01-01，我如何使用 pandas 在此范围内采样 N 个随机日期？

【问题讨论】：

标签： python pandas datetime random

【解决方案1】：

`np.random.randn` + `to_timedelta`

这解决了案例 (1)。为此，您可以生成一个随机的 timedelta 对象数组并将它们添加到您的 start 日期中。

def random_dates(start, end, n, unit='D', seed=None):
    if not seed:  # from piR's answer
        np.random.seed(0)

    ndays = (end - start).days + 1
    return pd.to_timedelta(np.random.rand(n) * ndays, unit=unit) + start

>>> np.random.seed(0)
>>> start = pd.to_datetime('2015-01-01')
>>> end = pd.to_datetime('2018-01-01')
>>> random_dates(start, end, 10)
DatetimeIndex([   '2016-08-25 01:09:42.969600',
                  '2017-02-23 13:30:20.304000',
                  '2016-10-23 05:33:15.033600',
               '2016-08-20 17:41:04.012799999',
               '2016-04-09 17:59:00.815999999',
                  '2016-12-09 13:06:00.748800',
                  '2016-04-25 00:47:45.974400',
                  '2017-09-05 06:35:58.444800',
                  '2017-11-23 03:18:47.347200',
                  '2016-02-25 15:14:53.894400'],
              dtype='datetime64[ns]', freq=None)

这也会生成带有时间组件的日期。

遗憾的是，rand 不支持 replace=False，因此如果您想要唯一的日期，则需要一个两步过程：1) 生成非唯一的日期组件，以及 2) 生成唯一的秒数/milliseconds 组件，然后将两者相加。

`np.random.randint` + `to_timedelta`

这解决了案例 (2)。您可以修改上面的random_dates 以生成随机整数而不是随机浮点数：

def random_dates2(start, end, n, unit='D', seed=None):
    if not seed:  # from piR's answer
        np.random.seed(0)

    ndays = (end - start).days + 1
    return start + pd.to_timedelta(
        np.random.randint(0, ndays, n), unit=unit
    )

>>> random_dates2(start, end, 10)
DatetimeIndex(['2016-11-15', '2016-07-13', '2017-04-15', '2017-02-02',
               '2017-10-30', '2015-10-05', '2016-08-22', '2017-12-30',
               '2016-08-23', '2015-11-11'],
              dtype='datetime64[ns]', freq=None)

要生成具有其他频率的日期，可以使用 unit 的不同值调用上述函数。此外，您可以添加参数 freq 并根据需要调整函数调用。

如果你想要唯一随机日期，你可以使用np.random.choice和replace=False：

def random_dates2_unique(start, end, n, unit='D', seed=None):
    if not seed:  # from piR's answer
        np.random.seed(0)

    ndays = (end - start).days + 1
    return start + pd.to_timedelta(
        np.random.choice(ndays, n, replace=False), unit=unit
    )

性能

只对解决案例 (1) 的方法进行基准测试，因为案例 (2) 确实是一种特殊情况，任何方法都可以使用 dt.floor。

函数

def cs(start, end, n):
    ndays = (end - start).days + 1
    return pd.to_timedelta(np.random.rand(n) * ndays, unit='D') + start

def akilat90(start, end, n):
    start_u = start.value//10**9
    end_u = end.value//10**9

    return pd.to_datetime(np.random.randint(start_u, end_u, n), unit='s')

def piR(start, end, n):
    dr = pd.date_range(start, end, freq='H') # can't get better than this :-(
    return pd.to_datetime(np.sort(np.random.choice(dr, n, replace=False)))

def piR2(start, end, n):
    dr = pd.date_range(start, end, freq='H')
    a = np.arange(len(dr))
    b = np.sort(np.random.permutation(a)[:n])
    return dr[b]

基准代码

from timeit import timeit

import pandas as pd
import matplotlib.pyplot as plt

res = pd.DataFrame(
       index=['cs', 'akilat90', 'piR', 'piR2'],
       columns=[10, 20, 50, 100, 200, 500, 1000, 2000, 5000],
       dtype=float
)

for f in res.index: 
    for c in res.columns:
        np.random.seed(0)

        start = pd.to_datetime('2015-01-01')
        end = pd.to_datetime('2018-01-01')

        stmt = '{}(start, end, c)'.format(f)
        setp = 'from __main__ import start, end, c, {}'.format(f)
        res.at[f, c] = timeit(stmt, setp, number=30)

ax = res.div(res.min()).T.plot(loglog=True) 
ax.set_xlabel("N"); 
ax.set_ylabel("time (relative)");

plt.show()

【讨论】：

@coldspeed 谢谢！不过，恒定的时间对我来说似乎有点可疑。不知道有没有人解释一下。
@akilat90 这是相对时间（loglog）。 “我的答案是你的两倍，piR 的答案是你的 0.5 倍”……等等。
啊！ 亲戚。知道了。 :)
@coldspeed 关于这个问题，我最喜欢的第二件事是这个基准测试代码。也许将它添加到标签 wiki 以便更广泛的受众可以重复使用它？
@akilat90 我最近发现了一些类似的东西。它被称为perfplot。不敢相信当这样的事情已经存在时，我一直在重新发明轮子......

【解决方案2】：

`numpy.random.choice`

您可以利用 Numpy 的随机选择。 choice 可能比大型 data_ranges 有问题。例如，太大会导致 MemoryError。它需要存储整个事物以选择随机位。

random_dates('2015-01-01', '2018-01-01', 10, 'ns', seed=[3, 1415])

MemoryError

另外，这需要排序。

def random_dates(start, end, n, freq, seed=None):
    if seed is not None:
        np.random.seed(seed)

    dr = pd.date_range(start, end, freq=freq)
    return pd.to_datetime(np.sort(np.random.choice(dr, n, replace=False)))

random_dates('2015-01-01', '2018-01-01', 10, 'H', seed=[3, 1415])

DatetimeIndex(['2015-04-24 02:00:00', '2015-11-26 23:00:00',
               '2016-01-18 00:00:00', '2016-06-27 22:00:00',
               '2016-08-12 17:00:00', '2016-10-21 11:00:00',
               '2016-11-07 11:00:00', '2016-12-09 23:00:00',
               '2017-02-20 01:00:00', '2017-06-17 18:00:00'],
              dtype='datetime64[ns]', freq=None)

`numpy.random.permutation`

与其他答案类似。但是，我喜欢这个答案，因为它将date_range 生成的datetimeindex 切片并自动返回另一个datetimeindex。

def random_dates_2(start, end, n, freq, seed=None):
    if seed is not None:
        np.random.seed(seed)

    dr = pd.date_range(start, end, freq=freq)
    a = np.arange(len(dr))
    b = np.sort(np.random.permutation(a)[:n])
    return dr[b]

【讨论】：

不错的一个。我最初考虑在日期范围上进行选择，但如果范围很大，那将是棘手的。

【解决方案3】：

是否可以转换为 unix 时间戳？

def random_dates(start, end, n=10):

    start_u = start.value//10**9
    end_u = end.value//10**9

    return pd.to_datetime(np.random.randint(start_u, end_u, n), unit='s')

示例运行：

start = pd.to_datetime('2015-01-01')
end = pd.to_datetime('2018-01-01')
random_dates(start, end)

DatetimeIndex(['2016-10-08 07:34:13', '2015-11-15 06:12:48',
               '2015-01-24 10:11:04', '2015-03-26 16:23:53',
               '2017-04-01 00:38:21', '2015-05-15 03:47:54',
               '2015-06-24 07:32:32', '2015-11-10 20:39:36',
               '2016-07-25 05:48:09', '2015-03-19 16:05:19'],
              dtype='datetime64[ns]', freq=None)

编辑：

根据@smci 的评论，我编写了一个函数来容纳 1 和 2，并在函数本身内部进行了一些解释。

def random_datetimes_or_dates(start, end, out_format='datetime', n=10): 

    '''   
    unix timestamp is in ns by default. 
    I divide the unix time value by 10**9 to make it seconds (or 24*60*60*10**9 to make it days).
    The corresponding unit variable is passed to the pd.to_datetime function. 
    Values for the (divide_by, unit) pair to select is defined by the out_format parameter.
    for 1 -> out_format='datetime'
    for 2 -> out_format=anything else
    '''
    (divide_by, unit) = (10**9, 's') if out_format=='datetime' else (24*60*60*10**9, 'D')

    start_u = start.value//divide_by
    end_u = end.value//divide_by

    return pd.to_datetime(np.random.randint(start_u, end_u, n), unit=unit)

示例运行：

random_datetimes_or_dates(start, end, out_format='datetime')

DatetimeIndex(['2017-01-30 05:14:27', '2016-10-18 21:17:16',
               '2016-10-20 08:38:02', '2015-09-02 00:03:08',
               '2015-06-04 02:38:12', '2016-02-19 05:22:01',


                  '2015-11-06 10:37:10', '2017-12-17 03:26:02',
                   '2017-11-20 06:51:32', '2016-01-02 02:48:03'],
                  dtype='datetime64[ns]', freq=None)

random_datetimes_or_dates(start, end, out_format='not datetime')

DatetimeIndex(['2017-05-10', '2017-12-31', '2017-11-10', '2015-05-02',
               '2016-04-11', '2015-11-27', '2015-03-29', '2017-05-21',
               '2015-05-11', '2017-02-08'],
              dtype='datetime64[ns]', freq=None)

【讨论】：

如果您解释魔术常数10**9 对应于datetime's default unit='ns' 会有所帮助。但是为什么你不也使用24*60*60*1e9 = 8.64e13，因为在 2. OP 要求随机日期，而不是日期时间？

【解决方案4】：

我们可以通过使用datetime64 只是一个更名的int64 的事实将@akilat90 的方法加快两倍（在@coldspeed 的基准测试中），因此我们可以进行查看：

def pp(start, end, n):
    start_u = start.value//10**9
    end_u = end.value//10**9

    return pd.DatetimeIndex((10**9*np.random.randint(start_u, end_u, n, dtype=np.int64)).view('M8[ns]'))

【讨论】：

我正在使用您的pp 函数，它返回一个形状为n//2 的DateTimeIndex，而奇数n 会导致ValueError。 ...只是想我会指出这一点。
@wwii 哎呀。我假设你在 Windows 上是正确的吗？
噢，你发现了我的秘密。 :)
@wwii ;-) 你介意再检查一下吗？我希望我修好了。
这个答案对我有用。无需创建任何功能。 stackoverflow.com/a/49522477/7614198

【解决方案5】：

我发现一个新的基础库生成了日期范围，在我这边似乎比 pandas.data_range 快一点，来自 answer 的信用

from dateutil.rrule import rrule, DAILY
import datetime, random
def pick(start,end,n):
    return (random.sample(list(rrule(DAILY, dtstart=start,until=end)),n))


pick(datetime.datetime(2010, 2, 1, 0, 0),datetime.datetime(2010, 2, 5, 0, 0),2)
[datetime.datetime(2010, 2, 3, 0, 0), datetime.datetime(2010, 2, 2, 0, 0)]

【讨论】：

【解决方案6】：

那是另一种方式 :D 也许有人会需要它。

from datetime import datetime
import random
import numpy as np
import pandas as pd

N = 10 #N-samples
dates = np.zeros([N,3])

for i in range(0,N):
    year = random.randint(1970, 2010) 
    month = random.randint(1, 12)
    day = random.randint(1, 28)
    #if you need to change it use variables :3
    birth_date = datetime(year, month, day)
    dates[i] = [year,month,day]

df = pd.DataFrame(dates.astype(int))
df.columns = ['year', 'month', 'day']
pd.to_datetime(df)

结果：

0   1999-08-22
1   1989-04-27
2   1978-10-01
3   1998-12-09
4   1979-04-19
5   1988-03-22
6   1992-03-02
7   1993-04-28
8   1978-10-04
9   1972-01-13
dtype: datetime64[ns]

【讨论】：

【解决方案7】：

只需我的两分钱，使用 date_range 和 sample：

def random_dates(start, end, n, seed=1, replace=False):
    dates = pd.date_range(start, end).to_series()
    return dates.sample(n, replace=replace, random_state=seed)

random_dates("20170101","20171223", 10, seed=1)
Out[29]: 
2017-10-01   2017-10-01
2017-08-23   2017-08-23
2017-11-30   2017-11-30
2017-06-15   2017-06-15
2017-11-18   2017-11-18
2017-10-31   2017-10-31
2017-07-31   2017-07-31
2017-03-07   2017-03-07
2017-09-09   2017-09-09
2017-10-15   2017-10-15
dtype: datetime64[ns]

【讨论】：

【解决方案8】：

我认为这是在 pandas DateFrame 中创建日期字段的更简单的解决方案

list1 = []
for x in range(0,365):
    list1.append(x)
date = pd.DataFrame(pd.to_datetime(list1, unit='D',origin=pd.Timestamp('2018-01-01')))

【讨论】：

np.random.randn + to_timedelta

np.random.randint + to_timedelta

性能

numpy.random.choice

numpy.random.permutation

`np.random.randn` + `to_timedelta`

`np.random.randint` + `to_timedelta`

`numpy.random.choice`

`numpy.random.permutation`