Python数据分析：pandas时间序列处理及操作

Python数据分析：pandas时间序列处理及操作

• 基本类型，以时间戳为索引的series–>datatimeindex

• 创建方法：

  1. 指定index为datatime的list

     from datetime import datetime
     import pandas as pd
     import numpy as np
     
     # 指定index为datetime的list
     date_list = [datetime(2019, 2, 18), datetime(2019, 2, 19), 
                  datetime(2019, 2, 25), datetime(2019, 2, 26), 
                  datetime(2019, 4, 4), datetime(2019, 4, 5)]
     time_s = pd.Series(np.random.randn(6), index=date_list)
     print(time_s)
     print(type(time_s.index))
     

     运行：
     

  2. pd.date_range()

  # pd.date_range()
  dates = pd.date_range('2019-02-18', # 起始日期
                        periods=5,    # 周期
                        freq='W-SAT') # 频率
  print(dates)
  print(pd.Series(np.random.randn(5), index=dates))
  

  运行：
  

• 运算时按时间索引对齐

• 索引

  1. 索引位置

     # 索引位置
     print(time_s[0])
     

     运行：
     

  2. 索引值

     # 索引值
     print(time_s[datetime(2019, 2, 18)])
     

     运行：
     

  3. 可以被解析的日期字符串

     # 可以被解析的日期字符串
     print(time_s['2019/02/18'])
     

     运行：
     

  4. 按年份、月份索引

     # 按“年份”、“月份”索引
     print(time_s['2019-2'])
     

     运行：
     

  5. 切片操作

     # 切片操作
     print(time_s['2019-2-26':])
     

     运行：
     

• 过滤 truncate

  time_s.truncate(before='2019-2-25')
  

  运行：
  

• 生成日期范围pd.data_range()

  1. 传入开始、结束日期，默认生成的该时间段的时间点是按天计算（频率是D）

     # 传入开始、结束日期，默认生成的该时间段的时间点是按天计算的
         date_index = pd.date_range('2019/02/18', '2019/03/18')
         print(date_index)
     

     运行：
     

  2. 只传入开始或结束日期，还需要传入时间段

     # 只传入开始或结束日期，还需要传入时间段
     print(pd.date_range(start='2019/02/18', periods=10))
     

     运行：
     

  3. 规范化时间戳 normalize=True

     # 规范化时间戳 
     print(pd.date_range(start='2019/02/18 12:13:14', periods=10))
     print(pd.date_range(start='2019/02/18 12:13:14', periods=10, normalize=True))
     

     运行：
     

• 频率Freq 由基础频率的倍数组成，基础频率包括：

  1. BM：business end of month，每个月最后一个工作日

  2. D：天，M：月

     print(pd.date_range('2019/02/18', '2019/03/18', freq='2D'))
     

     运行：
     

• 偏移量，每个基础频率对应一个偏移量

  1. 偏移量通过加法连接

     # 偏移量通过加法连接
     sum_offset = pd.tseries.offsets.Week(2) + pd.tseries.offsets.Hour(12)
     print(sum_offset)
     
     print(pd.date_range('2019/02/18', '2019/03/18', freq=sum_offset))
     

     运行：
     

• 移动数据（shifting），沿时间轴将数据前移或后移，保持索引不变

  ts = pd.Series(np.random.randn(5), index=pd.date_range('20190218', periods=5, freq='W-SAT'))
  print(ts)
  print('------------')
  print(ts.shift(1))
  

  运行：
  

• 时间周期计算

  • period类，通过字符串或整数及基础频率构造
  • period对象可进行数学运算，但要保证具有相同的基础频率
  • period_range，创建指定规则的时间周期范围，生成periodindex索引，可用于创建series或dataframe
  • 时间周期的频率转换， asfreq
  • 按季度计算时间周期频率