周期由高频率转向低频率称为降采样：例如5分钟股票交易数据转换为日交易数据
相反，周期也可以由低频转向高频称为升采样
其他重采样：例如每周三（W-WED）转换为每周五（W-FRI）
1 import pandas as pd 2 import numpy as np 3 4 # 创建一个时间戳序列 5 s = pd.Series(np.random.randn(5), 6 index=pd.date_range('2016-04-01',periods=5,freq='M')) 7 # 注意它给的起始时间，与输出的时间对比， 8 # 它给定的频率为月份输出的月份从每个月的最后一天算起 9 # 输出 10 2016-04-30 -0.487238 11 2016-05-31 0.376708 12 2016-06-30 -1.830840 13 2016-07-31 -0.426218 14 2016-08-31 1.913151 15 Freq: M, dtype: float64 16 17 # 将时间戳的序列转换为时期序列， 18 s.to_period() 19 # 输出 20 2016-04 -0.487238 21 2016-05 0.376708 22 2016-06 -1.830840 23 2016-07 -0.426218 24 2016-08 1.913151 25 Freq: M, dtype: float64 26 27 # 创建周期频率为天的时间序列 28 ts = pd.Series(np.random.randn(5), 29 index=pd.date_range('2016-12-29',periods=5,freq='D')) 30 # 这个时间序列与第5行的不同，它的频率变以天为单位 31 32 # 当转换为时期序列，它的频率也是默认天为单位 33 ts.to_period() # 与28行的结果相同 34 35 pts = ts.to_period(freq='M') 36 # 把频率变为月时原来的总时间没变只是频率变了它将输出 37 2016-12 -0.525272 38 2016-12 -2.610914 39 2016-12 1.094692 40 2017-01 -1.721324 41 2017-01 0.631946 42 Freq: M, dtype: float64 43 44 # 也可以再转为时间戳序列 45 pts.to_timestamp() 46 # 输出 47 2016-12-01 0.797379 48 2016-12-01 -0.085046 49 2016-12-01 -0.271226 50 2017-01-01 1.320668 51 2017-01-01 0.168546 52 dtype: float64 53 54 pts.to_timestamp(how='end') # 可以输出每月的最后结束时间 55 # 输出 56 2016-12-31 23:59:59.999999999 0.797379 57 2016-12-31 23:59:59.999999999 -0.085046 58 2016-12-31 23:59:59.999999999 -0.271226 59 2017-01-31 23:59:59.999999999 1.320668 60 2017-01-31 23:59:59.999999999 0.168546 61 dtype: float64 62 63 # 创建以周期频率为分的时间序列 64 ts = pd.Series(np.random.randint(0,50,60), 65 index=pd.date_range('2016-04-25 09:30',periods=60,freq='T')) 66 # 通过降采样，降低时间频率 67 ts.resample('5min',how='sum') # how='sum'，表示对降采样的时间段求和 68 # 输出 它是以时间开始的时候为准，即时间轴的左端 69 2016-04-25 09:30:00 135 70 2016-04-25 09:35:00 120 71 2016-04-25 09:40:00 138 72 2016-04-25 09:45:00 101 73 ...... 74 75 ts.resample('5min',how='sum',label='right') # 也可以以末尾时间为准，即时间轴右端 76 # 输出 77 2016-04-25 09:35:00 135 78 2016-04-25 09:40:00 120 79 2016-04-25 09:45:00 138 80 2016-04-25 09:50:00 101 81 ...... 82 83 ts.resample('5min',how='ohlc') 84 # 它创建了一个DataFrame，以时间为行索引，分别以open、high、low、close 85 # 为列索引，how='ohlc'就是前面每个列索引的首字母 86 87 ts = pd.Series(np.random.randint(0,50,100), 88 index=pd.date_range('2016-03-01',periods=100,freq='D')) 89 90 ts.groupby(lambda x: x.month).sum() 91 # lambda表达式中的x为ts，把ts中的月份进行分组并求每月的总量 92 ts.groupby(ts.index.to_period('M')).sum() # 与上一行效果相同
1 import pandas as pd 2 import numpy as np 3 4 df = pd.DataFrame(np.random.randint(1,50,2), 5 index=pd.date_range('2016-04-22',periods=2,freq='W-FRI')) 6 # 它的周期频率为星期五 7 8 df.resample('D',fill_method='ffill') 9 # 用升采样的方式，将频率提高的每天， 10 # fill_method='ffill'，表示向上填充值，即所要填充的值与上一行相同 11 12 df.resample('D',fill_method='ffill',limit=3) 13 # limit=3表示最后3行被限制不填入值，默认填NaN 14 15 df.resample('W-MON',fill_method='ffill') 16 # 表示以以周一为频率重新采样 17 18 19 df = pd.DataFrame(np.random.randint(2,30,(24,4)), 20 index=pd.period_range('2015-01','2016-12',freq='M'), 21 columns=list('ABCD') 22 23 df.resample('A-DEC',how='sum') # 用年频率重采样 24 25 df.resample('A-MAR',how='sum') # 用财年重采样，每年的三月分 26 27 pdf = df.resample('A-DEC',how='mean') # 用年频率重采样，算出每年的均值 28 29 pdf.resample('Q-DEC',fill_method='ffill') # 将上一行的值再以季度频率重采样