时间序列
时间序列（time series）数据是一种重要的结构化数据形式，应用于多个领域，包括金融学、经济学、生态学、神经科学、物理学等。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。很多时间序列是固定频率的，也就是说，数据点是根据某种规律定期出现的（比如每15秒、每5分钟、每月出现一次）。时间序列也可以是不定期的，没有固定的时间单位或单位之间的偏移量。时间序列数据的意义取决于具体的应用场景，主要有以下几种：
时间戳（timestamp），特定的时刻。
固定时期（period），如2007年1月或2010年全年。
时间间隔（interval），由起始和结束时间戳表示。时期（period）可以被看做间隔（interval）的特例。
实验或过程时间，每个时间点都是相对于特定起始时间的一个度量。例如，从放入烤箱时起，每秒钟饼干的直径
一.日期和时间数据类型及工具
Python标准库包含用于日期（date）和时间（time）数据的数据类型，而且还有日历方面的功能。我们主要会用到datetime、time以及calendar模块。datetime.datetime（也可以简写为datetime）是用得最多的数据类型：
datetime以毫秒形式存储日期和时间。timedelta表示两个datetime对象之间的时间差：
可以给datetime对象加上（或减去）一个或多个timedelta，这样会产生一个新对象：
datetime模块中的数据类型参见表10-1。虽然本章主要讲的是pandas数据类型和高级时间序列处理，但你肯定会在Python的其他地方遇到有关datetime的数据类型。
1.1字符串与datetime互相转换
你可以使用str方法或传递一个指定的格式给strftime方法来将日期转化为字符串：
下表列出了全部的格式化编码
datetime.strptime可以将字符串转换为日期：
datetime.strptime是通过已知格式进行日期解析的最佳方式。但是每次都要编写格式定义是很麻烦的事情，尤其是对于一些常见的日期格式。这种情况下，你可以用dateutil这个第三方包中的parser.parse方法（pandas中已经自动安装好了）:
dateutil可以解析几乎所有人类能够理解的日期表示形式：
在国际通用的格式中，日出现在月的前面很普遍，传入dayfirst=True即可解决这个问题：
pandas通常是用于处理成组日期的，不管这些日期是DataFrame的轴索引还是列。to_datetime方法可以解析多种不同的日期表示形式。对标准日期格式（如ISO8601）的解析非常快：
它还可以处理缺失值（None、空字符串等）：
NaT（Not a Time）是pandas中时间戳数据的null值。
二.时间序列基础
pandas最基本的时间序列类型就是以时间戳为索引的Series：
这些datetime对象实际上是被放在一个DatetimeIndex中的：
跟其他Series一样，不同索引的时间序列之间的算术运算会自动按日期对齐：
未完待续~~