如何获取特定月份或日期的所有数据行；使用 pandas DataFrame 多年？

Question

我正在尝试寻找股市的季节性趋势。我希望能够了解资产的表现，即自 1990 年以来 5 月份 appl（苹果电脑）的平均回报是多少？我还想看看 aapl 自 1990 年以来在 9 月和 12 月之间的表现如何。最后，我还想看看哪些日子最赚钱，即周一、周二、周三、周四 appl 的平均回报是多少，和自 1990 年以来的星期五？

我正在使用 pandas 数据框，并且正在从从 yahoo Finance 加载的 csv 文件中加载我的数据。无论尝试什么我都无法让它正常工作，任何帮助或输入将不胜感激。此外，我的代码没有使用苹果的股票，而是股票代码 CDE

此外，当我运行我的代码时，我只得到了数据的结尾和开头，我如何将它放到显示所有 6000 多行的位置？

from pandas_datareader import data as dreader
import pandas as pd


df = pd.read_csv("cde_data.csv",index_col='Date')


print(df['1900-05':'2016-05'])

我试图获得 5 月份的回报，但我得到的是我的范围

              Open    High     Low   Close   Volume   Adj Close
Date
1990-04-12  26.875  26.875  26.625  26.625     6100  250.576036
1990-04-16  26.500  26.750  26.375  26.750      500  251.752449
1990-04-17  26.750  26.875  26.750  26.875     2300  252.928863
1990-04-18  26.875  26.875  26.500  26.625     3500  250.576036
1990-04-19  26.500  26.750  26.500  26.750      700  251.752449
1990-04-20  26.750  26.875  26.750  26.875     2100  252.928863
1990-04-23  26.875  26.875  26.750  26.875      700  252.928863
1990-04-24  27.000  27.000  26.000  26.000     2400  244.693970
1990-04-25  25.250  25.250  24.875  25.125     9300  236.459076
1990-04-26  25.000  25.250  24.750  25.000     1200  235.282663
1990-04-27  25.000  25.250  25.000  25.250     1100  237.635490
1990-04-30  25.125  25.250  25.000  25.125     3500  236.459076
1990-05-01  25.375  25.500  25.250  25.250     1100  237.635490
1990-05-02  25.125  25.125  24.000  24.250     1800  228.224183
1990-05-03  25.000  25.000  24.625  24.750     9100  232.929836
1990-05-04  24.625  24.875  24.375  24.750      500  232.929836
1990-05-07  25.000  25.000  24.625  24.625      900  231.753423
1990-05-08  24.875  25.250  24.875  25.125      400  236.459076
1990-05-09  25.375  25.875  25.250  25.875     6900  243.517556
1990-05-10  26.000  26.750  26.000  26.750     5500  251.752449
1990-05-11  27.000  27.000  26.875  27.000     1800  254.105276
1990-05-14  27.000  27.250  26.750  27.000     6800  254.105276
1990-05-15  27.000  27.125  26.625  26.750     3300  251.752449
1990-05-16  26.625  26.625  25.875  25.875     2600  243.517556
1990-05-17  26.125  26.500  26.000  26.375      500  248.223210
1990-05-18  26.250  26.875  26.250  26.875     1000  252.928863
1990-05-21  27.375  27.375  26.875  27.375     2700  257.634516
1990-05-22  27.625  28.250  27.500  27.875     2000  262.340169
1990-05-23  27.375  28.500  27.125  28.000     4000  263.516583
1990-05-24  28.250  28.375  27.625  27.875     1100  262.340169
...            ...     ...     ...     ...      ...         ...
2016-03-18   5.490   5.750   5.390   5.590  9415600    5.590000
2016-03-21   5.560   5.940   5.550   5.760  4018800    5.760000
2016-03-22   5.810   5.890   5.680   5.800  3429600    5.800000
2016-03-23   5.330   5.570   5.200   5.250  4445500    5.250000
2016-03-24   5.260   5.400   5.150   5.280  2668800    5.280000
2016-03-28   5.320   5.480   5.210   5.440  2093700    5.440000
2016-03-29   5.400   5.850   5.380   5.710  3709800    5.710000
2016-03-30   5.640   5.780   5.490   5.650  2444900    5.650000
2016-03-31   5.800   5.860   5.570   5.620  2319800    5.620000
2016-04-01   5.410   5.650   5.210   5.640  2922400    5.640000
2016-04-04   5.620   5.690   5.430   5.550  2561200    5.550000
2016-04-05   5.620   5.770   5.440   5.730  2294900    5.730000
2016-04-06   5.630   5.880   5.610   5.820  2108400    5.820000
2016-04-07   5.900   6.110   5.870   5.940  2963100    5.940000
2016-04-08   5.790   6.030   5.750   6.010  3583700    6.010000
2016-04-11   6.160   6.500   6.110   6.490  5140100    6.490000
2016-04-12   6.580   6.730   6.330   6.720  4015000    6.720000
2016-04-13   6.640   6.990   6.600   6.700  3972300    6.700000
2016-04-14   6.660   6.750   6.220   6.380  4125700    6.380000
2016-04-15   6.410   6.750   6.370   6.670  2907800    6.670000
2016-04-18   6.700   6.830   6.530   6.790  2452900    6.790000
2016-04-19   7.110   7.450   6.970   7.380  6057600    7.380000
2016-04-20   7.410   7.680   6.820   7.000  6494400    7.000000
2016-04-21   7.300   7.530   6.940   7.140  4394000    7.140000
2016-04-22   7.080   7.380   6.730   6.890  3838700    6.890000
2016-04-25   6.850   7.040   6.720   6.870  2905400    6.870000
2016-04-26   6.900   7.190   6.700   7.100  2743900    7.100000
2016-04-27   7.160   7.280   6.870   7.180  3558900    7.180000
2016-04-28   7.350   7.960   7.080   7.440  6516000    7.440000
2016-04-29   7.650   8.140   7.650   8.100  6457000    8.100000

[6564 rows x 6 columns]
Press any key to continue . . .

Answer 1

使用标准库datetime 并编写辅助函数来进行您想要的转换。然后通过将辅助函数应用于 Date 列来创建一个新列。

from datetime import datetime
import dateutil.parser

def hour(x):
    return(x.hour)
def dow(x):
    return(x.isoweekday())
def month(x):
    return(x.month)

df.reset_index()
df.Date     = df.Date.apply(dateutil.parser.parse)
df["hour"]  = df.Date.apply(hour)
df["dow"]   = df.Date.apply(dow)
df["month"] = df.Date.apply(month)

现在您可以对已创建的列进行分组或对已创建的列进行切片。像这样获得一月份的所有星期五：

df[(df.dow == 5) & (df.month == 1)]

要打印更多行，您可以通过在导入下方添加以下行来更改设置：

pd.options.display.max_rows = 6000