Pythonのデータ分析を使用する場合は、しばしば、このような定量的取引など、特定の時間に関連して、時間と日付のフォーマット変換処理、分析、データマイニングが発生した過去のデータから、株価の変化を探すことです。Pythonが来る時間モジュールの日時を処理し、numpyのライブラリは、データ分析パンダBANK Python環境として、対応するメソッドを提供するだけでなく、強力なデータ処理日時を提供し、処理ツールは、時系列です。
1、日付のシーケンスを生成します
主pd.data_range（）とpd.period_range（）は、2つの方法を提供し、パラメータは、開始時刻、終了時刻が与えられ、及び回数は、時間 - 周波数（FREQ =「M」月、「D」日、W「を生成しました'週、' Y「）、その他。
二つの主な違いは、（）は配列DatetimeIndex日付形式を生成されるpd.date_rangeあるpd.period_range（）で生成されたシーケンスPeriodIndex日付形式。
時系列のシーケンスを生成し、周囲を比較することによって、次のヶ月：
date_rng = pd.date_range（ '2019年1月1日'、FREQ = 'M'、期間= 12）
プリント（f'month DATE_RANGE（）：\ nの{date_rng} '）
DATE_RANGE（）：
DatetimeIndex（[ '2019年1月31日'、 '2019年2月28日'、 '2019年3月31日'、 '2019年4月30日'、
「2019年5月31日」、「2019年6月30日」、「2019年7月31日」、「2019年8月31日」
'2019年9月30日'、 '2019年10月31日'、 '2019年11月30日'、 '2019年12月31日']、
DTYPE = 'datetime64 [NS]'、FREQ = 'M'）
period_rng = pd.period_range（ '2019年1月1日'、FREQ = 'M'、期間= 12）
プリント（f'month period_range（）：\ N {period_rng} '）
period_range（）：
PeriodIndex（[ '2019から01'、 '2019から02'、 '2019から03'、 '2019から04'、 '2019から05'、 '2019から06'、
'2019から07'、 '2019から08'、 '2019から09'、 '2019から10'、 '2019から11'、 '2019から12']、
DTYPE = '期間[M]'、FREQは= 'M'）
date_rng = pd.date_range（ '2019年1月1日'、FREQ = 'W-SUN'、期間= 12）
プリント（f'week DATE_RANGE（）：\ N {date_rng} '）
週DATE_RANGE（）：
DatetimeIndex（[ '2019年1月6日'、 '2019年1月13日'、 '2019年1月20日'、 '2019年1月27日'、
「2019年2月3日」、「2019年2月10日」、「2019年2月17日」、「2019年2月24日」
'2019年3月3日'、 '2019年3月10日'、 '2019年3月17日'、 '2019年3月24日']、
DTYPE = 'datetime64 [NS]'、FREQ = 'W-SUN'）
period_rng = pd.period_range（ '2019年1月1日'、FREQ = 'W-SUN'、期間= 12）
プリント（f'week period_range（）：\ N {period_rng} '）
週period_range（）：
PeriodIndex（[ '2018年12月31日/ 2019年1月6日'、 '2019年1月7日/ 2019年1月13日'
「2019年1月14日/ 2019年1月20日」、「2019年1月21日/ 2019年1月27日」
「2019年1月28日/ 2019年2月3日」、「2019年2月4日/ 2019年2月10日」
「2019年2月11日/ 2019年2月17日」、「2019年2月18日/ 2019年2月24日」
「2019年2月25日/ 2019年3月3日」、「2019年3月4日/ 2019年3月10日」
'2019年3月11日/ 2019年3月17日'、 '2019年3月18日/ 2019年3月24日']、
DTYPE = '期間[W-SUN]'、FREQ = 'W-SUN'）
date_rng = pd.date_range（ '2019年1月1日0時00分00秒'、FREQ = 'H'、期間= 12）
プリント（f'hour DATE_RANGE（）：\ nの{date_rng} '）
時間DATE_RANGE（）：
DatetimeIndex（[ '2019年1月1日午前0時00分00秒'、 '2019年1月1日午前1時00分00秒'、
「2019年1月1日2時00分00秒」、「2019年1月1日午前三時00分00秒」、
「2019年1月1日4時00分00秒」、「2019年1月1日午前5時00分00秒」、
「2019年1月1日午前6時00分○○秒」、「2019年1月1日午前7時○○分00秒」
「2019年1月1日8時00分00秒」、「2019年1月1日9時00分00秒」、
「2019年1月1日午前十時00分00秒」、「2019年1月1日午前11時〇〇分00秒」]、
DTYPE = 'datetime64 [NS]'、FREQは= 'H'）
period_rng = pd.period_range（ '2019年1月1日00：00：00'、FREQ = 'H'、期間= 12）
プリント（f'hour period_range（）：\ N {period_rng} '）
時間period_range（）：
PeriodIndex（[「2019年1月1日午前0時」、「2019年1月1日午前1時00分」、「2019年1月1日2時」、
「2019年1月1日午前3時」、「2019年1月1日午前4時00」、「2019年1月1日5時00分」
「2019年1月1日午前6時00分」、「2019年1月1日七時」、「2019年1月1日8時00分」
「2019年1月1日9時00分」、「2019年1月1日10：00」、「2019年1月1日11時」]、
DTYPE = '期間[H]'、FREQの= 'H'）
2、および変換Timestampオブジェクトを生成します
タイムスタンプTimestampオブジェクトを作成すると、pd.Timestamp（）メソッドとpd.to_datetime（）メソッドを持っています。次のように：
TS = pd.Timestamp（2019,1,1）
プリント（f'pd.Timestamp（） - 1：{} TS '）
＃pd.Timestamp（） - 1：2019年1月1日0時00分○○秒
TS = pd.Timestamp（DT（2019,1,1、時間= 0分= 1、秒= 1））
プリント（f'pd.Timestamp（） - 2：{} TS '）
＃pd.Timestamp（） - 2：2019年1月1日午前0時01分01秒
TS = pd.Timestamp（2019年1月1日0：1：1）
プリント（f'pd.Timestamp（） - 3：{} TS '）
＃pd.Timestamp（） - 3：2019年1月1日午前0時01分01秒
プリント（f'pd.Timestamp（） - タイプ：{タイプ（TS）} '）
＃pd.Timestamp（） - タイプ：
＃Dtを= pd.to_datetime（2019,1,1）がサポートされていません
DT = pd.to_datetime（DT（2019,1,1、時間= 0分= 1、秒= 1））
プリント（f'pd.to_datetime（） - 1：{} DT '）
＃1 pd.to_datetime（） - 1：2019年1月1日夜12時01分01秒
DT = pd.to_datetime（2019年1月1日0：1：1）
プリント（f'pd.to_datetime（） - 2：{} DT '）
＃1 pd.to_datetime（） - 2：2019年1月1日夜12時01分01秒
プリント（f'pd.to_datetime（） - タイプ：{タイプ（DT）} '）
＃1 pd.to_datetime（） - タイプ：
＃Pd.to_datetimeは、カスタムの時系列を生成します
dtlist = pd.to_datetime（[2019年1月1日0：1：1、2019年3月1日0：1：1]）
プリント（f'pd.to_datetime（） - リスト：{dtlist} '）
＃1 pd.to_datetime（） - リスト：DatetimeIndex（[ '2019年1月1日0時01分01秒'、 '2019年3月1日0時01分01秒']、DTYPE = 'datetime64 [NS]'、FREQ =無し）
＃タイムスタンプは、期間ヶ月の期間に変換しました
PR = ts.to_period（ 'M'）
プリント（f'ts.to_period（）：{PR} '）
＃1 ts.to_period（）：2019から01
プリント（f'pd.to_period（） - タイプ：{型（PR）} '）
＃1 pd.to_period（） - タイプ：
3、ターゲット変換期間を生成します
#DEFINE期間
= pd.Period（ '2019'）あたり
プリント（f'pd.Period（）：{}あたり）
＃1 pd.Period（）：2019
per_del = pd.Period（ '2019'） - pd.Period（ '2018'）
プリント（スペーサ{per_del}のf'2019及び2018「）を直接＃+であることができる - （代わって）整数
＃2019と2018ギャップイヤー
タイムスタンプに＃時間
印刷（per.to_timestamp（方法= '末端'））＃2019年12月31日午後12時00分00秒
印刷（per.to_timestamp（方法= 'スタート'））＃2019年1月1日0時00分○○秒
4、発生間隔はtimedelta
＃世代間隔はtimedelta
印刷（pd.Timedelta（日= 5、分= 50、秒= 20ミリ秒= 10マイクロ秒= 10、ナノ秒= 10））
＃5日00：50：20.010010
＃現在の時刻を取得します。
今= pd.datetime.now（）
＃50日後の日付現在の時刻を計算します
DT =今+ pd.Timedelta（日= 50）
プリント（F '現在時刻が50日の時間の後、{今}は{} DT'）
＃現在の時刻は2019-06-0817です：59：59：50日2019-07-2817時間後31.726065、31.726065
＃のみ表示日付
印刷（dt.strftime（ '％Y-％m-％d' では））＃2019年7月28日
図5に示すように、周波数変換及び再サンプリング
四半期ごとにインデックス値を表示し#asfreq
＃「DatetimeIndex」オブジェクトには属性「asfreq」がありません
日付= pd.date_range（ '2018年1月1日'、期間= 20、FREQ = 'D'）
tsdat_series = pd.Series（範囲（20）、インデックス=日付）
tsp_series = tsdat_series.to_period（ 'D'）
印刷（tsp_series.index.asfreq（ 'Q'））
日付= pd.period_range（ '2018年1月1日'、期間= 20、FREQ = 'D'）
tsper_series = pd.Series（範囲（20）、インデックス=日付）
印刷（tsper_series.index.asfreq（ 'Q'））
PeriodIndex（[ '2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、
'2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、
'2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、 '2018Q1'、
'2018Q1'、 '2018Q1']、
DTYPE = '期間[Q-DEC]'、FREQ = 'Q-DEC'）
四半期ごとの統計と表示#resample
印刷（tsdat_series.resample（ 'Q'）。合計（）。to_period（ 'Q'））
2018Q1 190
FREQ：Q-DEC、DTYPE：int64モード
毎週平均まとめる#groupby
印刷（tsdat_series.groupby（ラムダX：x.weekday）.mean（））
0 7.0
1 8.0
2 9.0
3 10.0
4 11.0
5 12.0
6 9.5
DTYPE：のfloat64
ます。https：//juejin.im/post/5cfe0230f265da1b8d161155で再現