• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

Diferencia entre dos fechas en Python

noviembre 14, 2022 Por Daniel Rodríguez 1 comentario
Tiempo de lectura: 3 minutos

Posiblemente una de las mejores opciones para trabajar con fechas en Python sea el tipo de dato datetime64 de NumPy. El cual permite realizar operaciones con fechas como con números, pudiendo restar, sumar o dividir con días, semanas, meses o años. Veamos las opciones que ofrece datetime64 para calcular la diferencia entre dos fechas en Python.

Creación de series con fechas

En Pandas existe el método date_range() con el que se puede crear una serie de fechas separadas con un período dado. La forma básica de esta función es la siguiente

pd.date_range(start, periods, freq)

Donde

  • start: es la fecha en la que comienza la serie
  • periods: es el número elementos que se desea para la serie
  • freq: es la separación entre cada uno de los elementos
    • 'D': dias
    • 'W': semanas
    • 'M': meses
    • 'Y': años

Por ejemplo, para crear un DataFrame con una serie separada por días, semanas, meses y años se puede usar el siguiente código.

import numpy as np
import pandas as pd

df = pd.DataFrame({'days': pd.date_range(start='9/1/2022', periods=6, freq='D'),
                   'weeks': pd.date_range(start='9/2/2022', periods=6, freq='W'),
                   'months': pd.date_range(start='9/3/2020', periods=6, freq='M'),
                   'years': pd.date_range(start='9/3/2020', periods=6, freq='Y')})

print(df)
print(df.dtypes)
        days      weeks     months      years
0 2022-09-01 2022-09-04 2020-09-30 2020-12-31
1 2022-09-02 2022-09-11 2020-10-31 2021-12-31
2 2022-09-03 2022-09-18 2020-11-30 2022-12-31
3 2022-09-04 2022-09-25 2020-12-31 2023-12-31
4 2022-09-05 2022-10-02 2021-01-31 2024-12-31
5 2022-09-06 2022-10-09 2021-02-28 2025-12-31
days      datetime64[ns]
weeks     datetime64[ns]
months    datetime64[ns]
years     datetime64[ns]
dtype: object

Nótese que, cuando la frecuencia no es diaria, la serie no comienza en la fecha indicada, sino que lo hace en el último día de la semana, mes o año a la que corresponde la fecha. Por otro lado, se puede comprobar que el tipo de dato de cada una de las series del DataFrame es datetime64.

Obtener la diferencia entre dos fechas en Python

En ese punto, una vez creado un DataFrame con varias series tipo fecha, se puede ver como calcular la diferencia entre dos fechas. Por ejemplo, entre las series days y weeks

Publicidad


df.days - df.weeks
0    -3 days
1    -9 days
2   -15 days
3   -21 days
4   -27 days
5   -33 days
dtype: timedelta64[ns]

El resultado que se ve por pantalla es el esperado, la diferencia entre las fechas. En este caso el resultado aparece en un tipo de dato nuevo timedelta64 donde se puede almacenar diferencias entre dos fechas. Si se desea obtener la diferencia en meses u otra unidad de tiempo, simplemente se debe dividir el resultado entre un dato de tipo timedelta64 adecuado. Lo que se puede conseguir con la función np.timedelta64(). Así, para obtener el resultado en días se puede hacer

(df.days - df.weeks) / np.timedelta64(1, 'D')
0    -3.0
1    -9.0
2   -15.0
3   -21.0
4   -27.0
5   -33.0
dtype: float64

En donde el resultado es una serie con datos de tipo real (float64). O para obtener la diferencia en meses simplemente se debe cambiar la frecuencia por 'M'.

(df.days - df.weeks) / np.timedelta64(1, 'M')
0   -0.098565
1   -0.295694
2   -0.492823
3   -0.689953
4   -0.887082
5   -1.084211
dtype: float64

Consiguiendo el resultado en una serie de tipo float64.

Incluir la diferencia entre dos fechas en un DataFrame

Lo visto hasta ahora se puede usar para incluir en un DataFrame la diferencia entre dos fechas en diferentes unidades. Algo que se muestra en el siguiente ejemplo.

df = pd.DataFrame({'start': pd.date_range(start='1/1/2022', periods=6, freq='W'),
                   'end': pd.date_range(start='9/1/2022', periods=6, freq='M')})

df['diff_days'] = (df['end'] - df['start']) / np.timedelta64(1, 'D')
df['diff_weeks'] = (df['end'] - df['start']) / np.timedelta64(1, 'W')
df['diff_months'] = (df['end'] - df['start']) / np.timedelta64(1, 'M')
df['diff_years'] = (df['end'] - df['start']) / np.timedelta64(1, 'Y')

print(df)
       start        end  diff_days  diff_weeks  diff_months  diff_years
0 2022-01-02 2022-09-30      271.0   38.714286     8.903674    0.741973
1 2022-01-09 2022-10-31      295.0   42.142857     9.692191    0.807683
2 2022-01-16 2022-11-30      318.0   45.428571    10.447853    0.870654
3 2022-01-23 2022-12-31      342.0   48.857143    11.236370    0.936364
4 2022-01-30 2023-01-31      366.0   52.285714    12.024888    1.002074
5 2022-02-06 2023-02-28      387.0   55.285714    12.714840    1.059570

Conclusiones

En esta entrada se ha visto el uso de los tipos de dato datetime64 y timedelta64 de NumPy para calcular la diferencia entre dos fechas en Python. Una operación que se puede realizar de una manera sencilla gracias a este tipo de dato.

Publicidad


Imagen de Michal Jarmoluk en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • NumPy
    NumPy: ¿Qué es una matriz estructurada de NumPy y cómo…
  • Manipulación básica de series temporales con pandas
    Manipulación básica de series temporales con pandas
  • Uso de Eval en Pandas para analizar datos de forma sencilla
    Uso de Eval en Pandas para analizar datos de forma sencilla
  • Numpy básico: Creación de un Array de Numpy a partir de una listas o tuplas
    Numpy básico: Creación de un Array de Numpy a partir de una…
  • pandas
    Pandas: Aplicar una función a las filas o columnas de un…
  • pandas
    Pandas: Cambiar el tipo de columnas en un DataFrame

Publicado en: Python Etiquetado como: NumPy, Pandas

Interacciones con los lectores

Comentarios

  1. Sebastian Guandique dice

    noviembre 17, 2022 a las 7:33 pm

    Este tipo de datos ayuda bastante a poder simplificar trabajos que necesitaban de mayor tiempo

    Responder

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad




Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • La aplicación Auto Py to Exe Creación de un EXE desde un archivo Python en Windows publicado el mayo 16, 2022 | en Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • Archivos Guardar y leer archivos CSV con Python publicado el junio 15, 2018 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

Publicidad

Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto