案例导入
如下表，查询每天中午12点时的测量值。添加代码注释。
| 时间 | 测量值 |
| 2022-03-18 00:00:00 | 5 |
| 2022-03-18 01:00:00 | 9 |
| 2022-03-18 02:00:00 | 6 |
| 2022-03-18 03:00:00 | 9 |
| 2022-03-18 04:00:00 | 8 |
| 2022-03-18 05:00:00 | 10 |
| 2022-03-18 06:00:00 | 4 |
| 2022-03-18 07:00:00 | 3 |
| 2022-03-18 08:00:00 | 6 |
| 2022-03-18 09:00:00 | 3 |
| 2022-03-18 10:00:00 | 1 |
| 2022-03-18 11:00:00 | 6 |
| 2022-03-18 12:00:00 | 7 |
| 2022-03-18 13:00:00 | 4 |
| 2022-03-18 14:00:00 | 1 |
| 2022-03-18 15:00:00 | 7 |
| 2022-03-18 16:00:00 | 4 |
| 2022-03-18 17:00:00 | 10 |
| 2022-03-18 18:00:00 | 8 |
| 2022-03-18 19:00:00 | 6 |
| 2022-03-18 20:00:00 | 6 |
| 2022-03-18 21:00:00 | 1 |
| 2022-03-18 22:00:00 | 5 |
| 2022-03-18 23:00:00 | 4 |
| 2022-03-19 00:00:00 | 5 |
| 2022-03-19 01:00:00 | 5 |
| 2022-03-19 02:00:00 | 4 |
| 2022-03-19 03:00:00 | 1 |
| 2022-03-19 04:00:00 | 8 |
| 2022-03-19 05:00:00 | 6 |
| 2022-03-19 06:00:00 | 1 |
| 2022-03-19 07:00:00 | 2 |
| 2022-03-19 08:00:00 | 8 |
| 2022-03-19 09:00:00 | 4 |
| 2022-03-19 10:00:00 | 9 |
| 2022-03-19 11:00:00 | 1 |
| 2022-03-19 12:00:00 | 8 |
| 2022-03-19 13:00:00 | 2 |
| 2022-03-19 14:00:00 | 5 |
| 2022-03-19 15:00:00 | 2 |
| 2022-03-19 16:00:00 | 6 |
| 2022-03-19 17:00:00 | 9 |
| 2022-03-19 18:00:00 | 6 |
| 2022-03-19 19:00:00 | 2 |
| 2022-03-19 20:00:00 | 1 |
| 2022-03-19 21:00:00 | 8 |
| 2022-03-19 22:00:00 | 1 |
| 2022-03-19 23:00:00 | 2 |
| 2022-03-20 00:00:00 | 6 |
| 2022-03-20 01:00:00 | 6 |
| 2022-03-20 02:00:00 | 10 |
| 2022-03-20 03:00:00 | 9 |
| 2022-03-20 04:00:00 | 6 |
| 2022-03-20 05:00:00 | 7 |
| 2022-03-20 06:00:00 | 8 |
| 2022-03-20 07:00:00 | 10 |
| 2022-03-20 08:00:00 | 1 |
| 2022-03-20 09:00:00 | 3 |
| 2022-03-20 10:00:00 | 1 |
| 2022-03-20 11:00:00 | 3 |
| 2022-03-20 12:00:00 | 2 |
| 2022-03-20 13:00:00 | 10 |
| 2022-03-20 14:00:00 | 9 |
| 2022-03-20 15:00:00 | 5 |
| 2022-03-20 16:00:00 | 2 |
| 2022-03-20 17:00:00 | 4 |
| 2022-03-20 18:00:00 | 10 |
| 2022-03-20 19:00:00 | 7 |
| 2022-03-20 20:00:00 | 6 |
| 2022-03-20 21:00:00 | 10 |
| 2022-03-20 22:00:00 | 4 |
| 2022-03-20 23:00:00 | 7 |
| 2022-03-21 00:00:00 | 7 |
| 2022-03-21 01:00:00 | 9 |
| 2022-03-21 02:00:00 | 8 |
| 2022-03-21 03:00:00 | 6 |
| 2022-03-21 04:00:00 | 2 |
| 2022-03-21 05:00:00 | 6 |
| 2022-03-21 06:00:00 | 10 |
| 2022-03-21 07:00:00 | 3 |
| 2022-03-21 08:00:00 | 2 |
| 2022-03-21 09:00:00 | 1 |
| 2022-03-21 10:00:00 | 7 |
| 2022-03-21 11:00:00 | 2 |
| 2022-03-21 12:00:00 | 9 |
| 2022-03-21 13:00:00 | 1 |
| 2022-03-21 14:00:00 | 7 |
| 2022-03-21 15:00:00 | 2 |
| 2022-03-21 16:00:00 | 2 |
| 2022-03-21 17:00:00 | 10 |
| 2022-03-21 18:00:00 | 5 |
| 2022-03-21 19:00:00 | 5 |
| 2022-03-21 20:00:00 | 4 |
| 2022-03-21 21:00:00 | 6 |
| 2022-03-21 22:00:00 | 4 |
| 2022-03-21 23:00:00 | 1 |
| 2022-03-22 00:00:00 | 5 |
| 2022-03-22 01:00:00 | 10 |
| 2022-03-22 02:00:00 | 6 |
| 2022-03-22 03:00:00 | 9 |
文心一言提示词
打开百度“文心一言”，输入提示词：“你是pandas专家。文件路径为：D:/Samples/时间序列.xlsx。用pandas导入Excel文件中第1个工作表中的数据，将第1列作为索引列，引擎为”openpyxl”。查询每天中午12点时的测量值。添加代码注释。”
显示结果如下：
为了完成这个任务，我们可以使用pandas库来读取Excel文件中的数据，并使用DatetimeIndex来设置时间索引。由于我们需要查询每天中午12点的测量值，我们假设时间数据是小时级别的，并且每一行都代表一个时间点的测量值。
下面是一个示例代码，包括注释以解释每一步：
import pandas as pd
# 设置文件路径
file_path = 'D:/Samples/时间序列.xlsx'
# 读取Excel文件中第1个工作表的数据，将第1列作为索引列，引擎为'openpyxl'
# 注意：openpyxl引擎通常用于.xlsx文件，而xlrd引擎用于.xls文件（但在较新的pandas版本中可能需要指定）
df = pd.read_excel(file_path, sheet_name=0, index_col=0, engine='openpyxl')
# 假设第1列（即索引列）已经是datetime类型，如果不是，则需要先将其转换为datetime类型
# 例如: df.index = pd.to_datetime(df.index)
# 验证索引列是否为datetime类型
assert pd.api.types.is_datetime64_any_dtype(df.index), "Index is not datetime type"
# 创建一个新的时间索引，仅包含每天中午12点的时间
noon_times = pd.date_range(start=df.index.min(), end=df.index.max(), freq='C', normalize=True)
# normalize=True 确保时间被设置为每天的开始时间，但'C'频率实际上表示每小时的开始，
# 所以在这里我们主要是用它来确保频率是按小时计算的，然后再手动设置为12点
noon_times = noon_times.map(lambda t: t.replace(hour=12, minute=0, second=0, microsecond=0))
# 创建一个空的数据框来存储结果
noon_values = pd.DataFrame(columns=df.columns)
# 遍历noon_times列表，检查每个时间点是否在数据框的索引中，如果在，则添加到结果数据框
for noon_time in noon_times:
if noon_time in df.index:
noon_values = noon_values.append(df.loc[noon_time])
# 如果数据框很大，上面的循环可能不是最高效的方法。
# 一个更高效的方法是使用resample方法，但前提是数据已经是规则的时间序列
# 如果数据不是规则的，可能需要先对其进行插值或重采样
# 显示结果
print(noon_values) 注意：
- 如果你的时间序列数据不是每小时都有记录（即不是规则的），那么上面的noon_times生成和遍历方法可能无法找到所有存在的中午12点的记录。
- 如果数据是规则的（即每天中午12点都有记录），那么可以使用resample方法更高效地找到这些记录。
- 如果数据中存在多个列，并且你只对某个特定列的中午12点值感兴趣，你可以通过df['column_name'].loc[noon_time]来直接访问。
- 上面的noon_times生成方法使用了normalize=True和freq='C'，但随后手动将小时设置为12点。在大多数情况下，如果你知道数据已经是按小时排序的，你可以直接通过筛选小时为12的行来找到这些值，而不需要生成整个noon_times列表。
Python运行结果
图1.Python运行结果
本合集使用的工具如下：
文心一言：3.5版本
Python编辑器：3.9.0
申明：以上结果皆为实际运行结果，如遇到无法运行可在评论区留言。部分数据来自网络，如有侵权请私信告知，感谢！