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2017年1月或2018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。
pandas提供了一组标准的时间序列，轻松地进行切片/切块、聚合、对定期/不定期的时间序列进行重采样等。
可以你已经猜到了，这些工具中大部分都对金融和经济数据尤其有用，但你当然也可以用它们来分析服务器日志数据。
1.日期和时间数据类型及工具：
from datetime import datetime
now=datetime.now()
print now
delta=datetime(2017,8,4)-datetime(2017,6,24)
print now.year,now.month,now.day
print delta
print delta.days
print delta.seconds
#输出结果如下：
# 2018-07-26 15:37:20.905441
# 2018 7 26
# 41 days, 0:00:00
# 41
# 0
#（1）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：
from datetime import timedelta
start=datetime(2011,1,7)
print start+timedelta(12)
#输出：2011-01-19 00:00:00
print start-2*timedelta(12)
#输出：2010-12-14 00:00:00datetime模块中的数据类型
类型 说明
date 以公历形式存储日历日期(年、月、日)
time 将时间存储为时、分、秒、毫秒
datetime 存储日期和时间
timedelta 表示两个datetime值之间的差(日、秒、毫秒)
注：datetime是python的模块函数，但pandas一定会用到。
字符串和datetime的相互转换：str/strftime,time.strptime,parser,pd.to_datetime
import datetime
import time
import pandas as pd
#(1)时间转化为字符串：str;
# 格式化不籽符串：strftime('%Y-%m-%d')
# stamp=datetime(2017,1,3)
# print str(stamp) #输出：2017-01-03 00:00:00
# print stamp.strftime('%Y-%m-%d') #输出：2017-01-03
#(2) 将字符串转化为时间
value='2011-01-03'
print time.strptime(value,'%Y-%m-%d')
datestrs=['7/6/2011','8/6/2011']
print [time.strptime(x,'%m/%d/%Y') for x in datestrs]
#输出结果如下：
# [time.struct_time(tm_year=2011, tm_mon=7, tm_mday=6, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=2, tm_yday=187, tm_isdst=-1), time.struct_time(tm_year=2011, tm_mon=8, tm_mday=6, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=5, tm_yday=218, tm_isdst=-1)]
#（3）time.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，可以用dateutil这个第三方包中的parser.parse方法
from dateutil.parser import parse
print parse('2017-01-03')
#输出结果如下：
# 2017-01-03 00:00:00
#dateutil可以解析几乎所有人类能够理解的日期表示形式：
print parse('Jan 31,2017 10:45 PM') #输出：2017-01-31 22:45:00
#（4）在国际通用的格式中，日通常出现在月的前面，传入dayfirst=True即可解决这个问题：
print parse('6/12/2011',dayfirst=True) #输出：2011-12-06 00:00:00
#注意：dateutil.parser是一个实用但不完美的工具。比如，它会把一些原本不是日期的字符串认作是日期
#(比如"42"会被解析为2042年的今天)
#（5）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。对标准日期格式的解析非常快。
print datestrs #输出：['7/6/2011', '8/6/2011']
print pd.to_datetime(datestrs)
#输出结果：
# DatetimeIndex(['2011-07-06', '2011-08-06'], dtype='datetime64[ns]', freq=None)
#（5）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NA值。
idx=pd.to_datetime(datestrs+[None])
print idx
#输出结果如下：
# DatetimeIndex(['2011-07-06', '2011-08-06', 'NaT'], dtype='datetime64[ns]', freq=None)datetime格式字义：
代码 说明
%Y 4位数的年
%y 2位数的年
%m 2位数的月[01,12]
%d 2们数的日[01,31]
%H 时(24小时制)[00,23]
%I 时(12小时制)[01,12]
%M 2位数的分[00,59]
%S 秒[00,60]
%w 用整数表示的星期几[0(星期天)，6]
%U 每年的第几周[00,53].星期天被认为是每周的第一天，第年第一个星期天之前的那几天被认为是“第0周”
%W 每年的第几周[00,53]。星期一被认为是每周的第一天，每年第一个星期一之前的那几天被认为是“第0周”
%z 以+HHMM或-HHMM表示的UTC时区偏移量，如果时区为naive,则返回空字符串
%F %Y-%m-%d简写形式，例如2017-4-18
%D %m/%d/%y简写形式，例如04/18/12
datetime对象还有一些特定于当前环境(位于不同国家或使用不同语言的系统)
特定于当前环境的日期格式：
代码 说明
%a 星期几的简写
%A 星期几的全称
%b 月份的简写
%B 月份的全称
%c 完整的日期和时间，例如：“Tue 01 May 2017 04:20:57 PM”
%p 不同环境中的AM或PM
%x 适合于当前环境的日期格式。例如，在美国，“May 1,2017”会产生"05/01/2017"
%X 适合于当前环境的时间格式，例如“04：24：12PM”
2.时间序列基础：
pandas最基本的时间序列类型就是以时间戳(通常以python字符串或datetime对象表示)为索引的series:
from datetime import datetime
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
dates=[datetime(2017,1,2),datetime(2017,1,5),datetime(2017,1,7),
datetime(2017,1,8),datetime(2017,1,10),datetime(2017,1,12)]
ts=Series(np.random.randn(6),index=dates)
print ts
#输出结果如下：
# 2017-01-02 -1.618294
# 2017-01-05 1.838125
# 2017-01-07 0.491439
# 2017-01-08 0.329895
# 2017-01-10 1.541238
# 2017-01-12 0.917043
#这些datetime对象实际上是被放在一个DatetimeIndex中的，现在,变量ts就成为一个TimeSeries了。
print type(ts) #输出结果：<class 'pandas.core.series.Series'>
print ts.index
#输出结果如下：
# DatetimeIndex(['2017-01-02', '2017-01-05', '2017-01-07', '2017-01-08',
# '2017-01-10', '2017-01-12'],
# dtype='datetime64[ns]', freq=None)
#(1)时间序列的Series跟其它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
print ts+ts[::2]
#输出结果如下：
# 2017-01-02 -2.109843
# 2017-01-05 NaN
# 2017-01-07 -4.117566
# 2017-01-08 NaN
# 2017-01-10 0.976704
# 2017-01-12 NaN
# dtype: float64
#pandas用Numpy的datetime64数据类型以纳秒形式存储时间戳：
print ts.index.dtype #输出结果：datetime64[ns]
#DatetimeIndex中的各个标量值是pandas的Timestamp对象：
stamp=ts.index[0]
print stamp #输出结果如下：2017-01-02 00:00:00索引、选取、子集构造：
由于TimeSeries是Series的一个子类，所以在索引以及数据选取方面它们的行为是一样的。
ts.index[2]; ts['1/10/2017']; index=pd.date_range('1/1/2017',periods=10) ; ts[datetime('1/1/2017')] ; ts.truncate(after='1/1/2017')； ts['1/1/2017','2/1/2017']
from datetime import datetime
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
#(1) index的下标取值
dates=[datetime(2017,1,2),datetime(2017,1,5),datetime(2017,1,7),
datetime(2017,1,8),datetime(2017,1,10),datetime(2017,1,12)]
ts=Series(np.random.randn(6),index=dates)
print ts
stamp=ts.index[2] #下标从0开始，即第三行数据
print ts[stamp]
#输出结果：0.376927445233
#(2)还有一个更为方便的用法：传入一个可以被解释为日期的字符串。
print ts['1/10/2017'] #取2017年1月10号的数据
#(3)对于较长的时间序列，只需传入"年"或"年月"即可轻松选取数据的切片：
longer_ts=Series(np.random.randn(1000),index=pd.date_range('1/1/2017',periods=1000))
# print longer_ts
#输出结果如下：index从2017年1月1日开始，1000天。故到2019年9月27日
# 2017-01-01 -0.825255
# 2017-01-02 0.024477
# 2017-01-03 -1.299953
# ......................
# 2019-09-26 -0.132728
# 2019-09-27 -1.187214
print longer_ts['2017-05'] #取2017年所有5月份的数据
#(4)通过日期进行切片的方式只对规则Series有效：
print ts[datetime(2017,1,7):] #取datetime(2017,1,7)后面的数据
#输出结果如下：
# 2017-01-07 -0.227280
# 2017-01-08 -0.307934
# 2017-01-10 0.923490
# 2017-01-12 -0.165595
# dtype: float64
#(5)由于大部分时间序列数据都是按照时间先后排序的，因此你也可以用不存在于该时间序列中的时间戳对基进行切片(即范围查询)：
print ts
#输出结果如下：
# 2017-01-02 0.148366
# 2017-01-05 0.159362
# 2017-01-07 0.760312
# 2017-01-08 -0.185600
# 2017-01-10 0.310633
# 2017-01-12 1.879177
# dtype: float64
print ts['1/6/2017':'1/11/2017'] #取从2017年1月6号到2017年1月11号之间的数据
#输出结果如下：
# 2017-01-07 0.760312
# 2017-01-08 -0.185600
# 2017-01-10 0.310633
# dtype: float64
#(6)跟之前一样，这里可以传入字符串日期、datetime或Timestamp.
#注意，这样切片所产生的是源时间序列的视图，跟Numpy数组的切片运算是一样的。此外，还有一个等价的实例方法
#也可以截取两个日期之间TimeSeries.
print ts.truncate(after='1/9/2017') #将'1/9/2017'之后的数据截取掉，取'1/9/2017'之前的数据
#输出结果如下：
# 2017-01-02 -0.529299
# 2017-01-05 1.041631
# 2017-01-07 -0.791962
# 2017-01-08 -0.774595
#(7)上面这些操作对DataFrame也有效，例如，对DataFrmae的行进行索引。
dates=pd.date_range('1/1/2017',periods=100,freq='W-WED')
long_df=DataFrame(np.random.randn(100,4),index=dates,columns=['Colorado','Texas','New York','Ohio'])
print long_df.ix['5-2017']带有重复索引的时间序列：
在某些应用场景中，可能会存在多个观测数据落在同一个时间点上的情况。
from datetime import datetime
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
#下面就是一个例子
dates=pd.DatetimeIndex(['1/1/2017','1/2/2017','1/2/2017','1/2/2017','1/3/2017'])
dup_ts=Series(np.arange(5),index=dates)
print dup_ts
#输出结果如下：
# 2017-01-01 0
# 2017-01-02 1
# 2017-01-02 2
# 2017-01-02 3
# 2017-01-03 4
# dtype: int64
#(1)通过检查索引的is_unique属性，我们就可以知道它是不是唯一的：
print dup_ts.is_unique #输出：True,它这个是查看整条数据的
#(2)对这个时间序列进行索引，要么产生标量值，要么产生切片，具体要看所选的时间点是否重复：
print dup_ts['1/3/2017'] #不重复
print dup_ts['1/2/2017'] #重复
#输出结果如下：
# 2017-01-02 1
# 2017-01-02 2
# 2017-01-02 3
#（3）假设你想要对具有非唯一时间戳的数据进行聚合。一个办法是使用groupby,并传入level=0(索引的唯一一层)
grouped=dup_ts.groupby(level=0)
print grouped.mean()
print grouped.count()
#输出结果如下：
# 2017-01-01 0
# 2017-01-02 2
# 2017-01-03 4
# dtype: int64
# 2017-01-01 1
# 2017-01-02 3
# 2017-01-03 1
# dtype: int643.日期的范围、频率以及移动：
pandas中的时间序列一般被认为是不规则的，也就是说，它们没有固定的频率。
对于大部分应用程序而言，这是无所谓的。但是，它常常需要以某种相对固定的频率进行分析，比如每日、
每月、每15分钟等(这样自然会在时间序列中引入缺失值)。幸运的是，pandas有一整套标准时间序列频率
以及用于重采样、频率推断、生成固定频率日期范围的工具。
生成日期范围：
from datetime import datetime
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
#(1) pandas.date_range可用于生成指定长度的DatetimeIndex:
index=pd.date_range('4/1/2017','4/5/2017')
print index
#输出结果如下：freq='D'表示具有固定频率的时间序列。
# DatetimeIndex(['2017-04-01', '2017-04-02', '2017-04-03', '2017-04-04',
# '2017-04-05'],
# dtype='datetime64[ns]', freq='D')
#（2）默认情况下，date_range会产生按天计算的时间点。如果只传入起始或结束日期，那就还得传入一个表示一段时间的数字。
print pd.date_range(start='4/1/2017',periods=10)
#输出结果如下：
# DatetimeIndex(['2017-04-01', '2017-04-02', '2017-04-03', '2017-04-04',
# '2017-04-05', '2017-04-06', '2017-04-07', '2017-04-08',
# '2017-04-09', '2017-04-10'],
# dtype='datetime64[ns]', freq='D')
print pd.date_range(end='4/10/2017',periods=8)
#输出结果如下：
# DatetimeIndex(['2017-04-03', '2017-04-04', '2017-04-05', '2017-04-06',
# '2017-04-07', '2017-04-08', '2017-04-09', '2017-04-10'],
# dtype='datetime64[ns]', freq='D')
#(3)起始和结束日期定义了日期索引的严格边界。例如，如果你想要生成一个由每月最后一个工作日组成的日期索引，可以传入
# "BM"频率，这样就只会包含时间间隔内(或刚好在边界上的)符合频率要求的日期：
print pd.date_range('1/1/2017','12/1/2017',freq='BM')
#输出结果如下：
# DatetimeIndex(['2017-01-31', '2017-02-28', '2017-03-31', '2017-04-28',
# '2017-05-31', '2017-06-30', '2017-07-31', '2017-08-31',
# '2017-09-29', '2017-10-31', '2017-11-30'],
# dtype='datetime64[ns]', freq='BM')
#date_range默认会保留起始和结束时间戳的时间信息(如果有的话)：
print pd.date_range('5/2/2017 12:56:31',periods=5)
#输出结果如下：
# DatetimeIndex(['2017-05-02 12:56:31', '2017-05-03 12:56:31',
# '2017-05-04 12:56:31', '2017-05-05 12:56:31',
# '2017-05-06 12:56:31'],
# dtype='datetime64[ns]', freq='D')
#(4)有时，虽然起始和结束日期带有时间信息，但你希望产生一组被规范化到午夜的时间戳。
#normalize选项即可实现该功能：
print pd.date_range('5/2/2017 12:56:31',periods=5,normalize=True)
#输出结果如下：
# DatetimeIndex(['2017-05-02', '2017-05-03', '2017-05-04', '2017-05-05',
# '2017-05-06'],
# dtype='datetime64[ns]', freq='D')频率和日期偏移量：
pandas中的频率是由一个基础频率(base frequency)和一个乘数组成。基础频率通常以一个字符串别名表示，比如‘M’表示每月，
‘H’表示每小时。对于每个基础频率都有一个被称为日期偏移量的对象与之对应。例如，按小时计算的频率可以用Hour类表示。
from datetime import datetime
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
from pandas.tseries.offsets import Hour,Minute
hour=Hour()
print hour #输出结果：<Hour>
#（1）传入一个整数即可定义偏移量的倍数：
four_hours=Hour(4)
print four_hours #输出：<4 * Hours>
#（2）一般来说，无需显式创建这样的对象，只需使用诸如"H"或"4H"这样的字符串别名即可。在基础频率前面放上一个整数即可创建倍数：
print pd.date_range('1/1/2018','1/3/2018',freq='4h')
#输出结果如下：
# DatetimeIndex(['2018-01-01 00:00:00', '2018-01-01 04:00:00',
# '2018-01-01 08:00:00', '2018-01-01 12:00:00',
# '2018-01-01 16:00:00', '2018-01-01 20:00:00',
# '2018-01-02 00:00:00', '2018-01-02 04:00:00',
# '2018-01-02 08:00:00', '2018-01-02 12:00:00',
# '2018-01-02 16:00:00', '2018-01-02 20:00:00',
# '2018-01-03 00:00:00'],
# dtype='datetime64[ns]', freq='4H') #4H是每隔4Hours创建一个数
#(3)大部分偏移量对象都可通过加法进行连接：
print Hour(2)+Minute(30) #输出结果：<150 * Minutes>
#同理，你也可以传入频率字符串(如'2h30min),这种字符串可以被高效地解析为等效的表达式：
print pd.date_range('1/1/2018',periods=10,freq='1h30min')
#输出结果如下：
# DatetimeIndex(['2018-01-01 00:00:00', '2018-01-01 01:30:00',
# '2018-01-01 03:00:00', '2018-01-01 04:30:00',
# '2018-01-01 06:00:00', '2018-01-01 07:30:00',
# '2018-01-01 09:00:00', '2018-01-01 10:30:00',
# '2018-01-01 12:00:00', '2018-01-01 13:30:00'],
# dtype='datetime64[ns]', freq='90T')
#(4)有些频率所描述的时间点并不是均匀分隔的。例如，"M"(日历月末)和"BM"(每月最后一个工作日)就取决于每月的天数，
#对于后者，还要考虑月末是不是周末。由于没有列好的术语，我将这些称为锚点偏移量。
时间序列的基础频率
别名 偏移量类型 说明
D Day 每日历日
B BussinessDay 每工作日
H Hour 每小时
T或min Minute 每分
S Second 每秒
L或ms Milli 每毫秒(即每千分之一秒)
U Micro 每微秒(即每百万分之一秒)
M MonthEnd 每月最后一个日历日
BM BusinessMonthEnd 每月最后一个工作日
MS MonthBegin 每月第一个日历日
BMS BusinessMothBegin 每月第一个工作日
W-MON、W-TUE... Week 从指定的星期几(MON、TUE、WED、THU、FRI、
SAT、SUN)开始算起，每周
WOM-1MON、WOM-2MON... WeekOfMonth 产生每月第一、第二、第三或第四周的星期几。例如，
WOM-3FRI表示每月第3个星期五
Q-JAN、Q-FEB... QuarterEnd 对于指定月份(JAN、FEB、MAR、APR、MAY、JUN、JUL、AUG、
SEP、OCT、NOV、DEC)结束的年度，每季度最后一月的最一个日历日
BQ-JAN、BQ-FEB... BusinessQuarterEnd 对于以指定月份结束的年度，每季度最后一月的最后一个工作日
A-JAN、A-FEB... YearEnd 每年指定月份(JAN、FEB、MAR、APR、MAY、JUN、JUL、AUG、SEP、OCT、
NOV、DEC)结束的年度，每季度最后一月的最后一个日历日
BA-JAN、BA-FEB... BusinessYearEnd 每年指定月份的最后一个工作日
AS-JAN、AS-FEB... YearBegin 每年指定月份的第一个日历日
BAS-JAN、BAS-FEB... BusinessYearBegin 每年指定月份的第一个工作日
WOM日期：
from datetime import datetime
import pandas as pd
from pandas import DataFrame,Series
import numpy as np
#WOM日期
#WOM(Week Of Month)是一种非常实用的频率类。它以WOM开头。它使你能获得诸如"每月第3个星期五"之类的日期：
rng=pd.date_range('1/1/2017','9/1/2017',freq='WOM-3FRI')
print rng
#输出结果如下：若要将Datetime改成List输出，则list(rng)
# DatetimeIndex(['2017-01-20', '2017-02-17', '2017-03-17', '2017-04-21',
# '2017-05-19', '2017-06-16', '2017-07-21', '2017-08-18'],
# dtype='datetime64[ns]', freq='WOM-3FRI')
#美国的股票期权交易人会意识到这些日子就是标准的月度到期日移动(超前和泄后)数据：