python Pandas庫(kù)基礎(chǔ)分析之時(shí)間序列的處理詳解
更新時(shí)間：2019年07月13日 14:07:18 作者：千鋒Python唐唐君
這篇文章主要介紹了python Pandas庫(kù)基礎(chǔ)分析之時(shí)間序列的處理詳解，Pandas作為Python環(huán)境下的數(shù)據(jù)分析庫(kù)，更是提供了強(qiáng)大的日期數(shù)據(jù)處理的功能，是處理時(shí)間序列的利器,需要的朋友可以參考下
前言
在使用Python進(jìn)行數(shù)據(jù)分析時(shí)，經(jīng)常會(huì)遇到時(shí)間日期格式處理和轉(zhuǎn)換，特別是分析和挖掘與時(shí)間相關(guān)的數(shù)據(jù)，比如量化交易就是從歷史數(shù)據(jù)中尋找股價(jià)的變化規(guī)律。Python中自帶的處理時(shí)間的模塊有datetime，NumPy庫(kù)也提供了相應(yīng)的方法，Pandas作為Python環(huán)境下的數(shù)據(jù)分析庫(kù)，更是提供了強(qiáng)大的日期數(shù)據(jù)處理的功能，是處理時(shí)間序列的利器。
1、生成日期序列
主要提供pd.data_range()和pd.period_range()兩個(gè)方法，給定參數(shù)有起始時(shí)間、結(jié)束時(shí)間、生成時(shí)期的數(shù)目及時(shí)間頻率（freq='M'月，'D'天，‘W'，周，'Y'年）等。
兩種主要區(qū)別在于pd.date_range()生成的是DatetimeIndex格式的日期序列；pd.period_range()生成的是PeriodIndex格式的日期序列。
以下通過(guò)生成月時(shí)間序列和周時(shí)間序列來(lái)對(duì)比下：
date_rng = pd.date_range('2019-01-01', freq='M', periods=12)
print(f'month date_range()：
{date_rng}')
"""
date_range()：
DatetimeIndex(['2019-01-31', '2019-02-28', '2019-03-31', '2019-04-30',
'2019-05-31', '2019-06-30', '2019-07-31', '2019-08-31',
'2019-09-30', '2019-10-31', '2019-11-30', '2019-12-31'],
dtype='datetime64[ns]', freq='M')
"""
period_rng = pd.period_range('2019/01/01', freq='M', periods=12)
print(f'month period_range()：
{period_rng}')
"""
period_range()：
PeriodIndex(['2019-01', '2019-02', '2019-03', '2019-04', '2019-05', '2019-06',
'2019-07', '2019-08', '2019-09', '2019-10', '2019-11', '2019-12'],
dtype='period[M]', freq='M')
"""
date_rng = pd.date_range('2019-01-01', freq='W-SUN', periods=12)
print(f'week date_range()：
{date_rng}')
"""
week date_range()：
DatetimeIndex(['2019-01-06', '2019-01-13', '2019-01-20', '2019-01-27',
'2019-02-03', '2019-02-10', '2019-02-17', '2019-02-24',
'2019-03-03', '2019-03-10', '2019-03-17', '2019-03-24'],
dtype='datetime64[ns]', freq='W-SUN')
"""
period_rng=pd.period_range('2019-01-01',freq='W-SUN',periods=12)
print(f'week period_range()：
{period_rng}')
"""
week period_range()：
PeriodIndex(['2018-12-31/2019-01-06', '2019-01-07/2019-01-13',
'2019-01-14/2019-01-20', '2019-01-21/2019-01-27',
'2019-01-28/2019-02-03', '2019-02-04/2019-02-10',
'2019-02-11/2019-02-17', '2019-02-18/2019-02-24',
'2019-02-25/2019-03-03', '2019-03-04/2019-03-10',
'2019-03-11/2019-03-17', '2019-03-18/2019-03-24'],
dtype='period[W-SUN]', freq='W-SUN')
"""
date_rng = pd.date_range('2019-01-01 00:00:00', freq='H', periods=12)
print(f'hour date_range()：
{date_rng}')
"""
hour date_range()：
DatetimeIndex(['2019-01-01 00:00:00', '2019-01-01 01:00:00',
'2019-01-01 02:00:00', '2019-01-01 03:00:00',
'2019-01-01 04:00:00', '2019-01-01 05:00:00',
'2019-01-01 06:00:00', '2019-01-01 07:00:00',
'2019-01-01 08:00:00', '2019-01-01 09:00:00',
'2019-01-01 10:00:00', '2019-01-01 11:00:00'],
dtype='datetime64[ns]', freq='H')
"""
period_rng=pd.period_range('2019-01-01 00:00:00',freq='H',periods=12)
print(f'hour period_range()：
{period_rng}')
"""
hour period_range()：
PeriodIndex(['2019-01-01 00:00', '2019-01-01 01:00', '2019-01-01 02:00',
'2019-01-01 03:00', '2019-01-01 04:00', '2019-01-01 05:00',
'2019-01-01 06:00', '2019-01-01 07:00', '2019-01-01 08:00',
'2019-01-01 09:00', '2019-01-01 10:00', '2019-01-01 11:00'],
dtype='period[H]', freq='H')
"""
2、生成Timestamp對(duì)象及轉(zhuǎn)換
創(chuàng)建一個(gè)Timestamp時(shí)間戳對(duì)象有pd.Timestamp()方法和pd.to_datetime()方法。如下所示：
ts=pd.Timestamp(2019,1,1)
print(f'pd.Timestamp()-1：{ts}')
#pd.Timestamp()-1：2019-01-01 00:00:00
ts=pd.Timestamp(dt(2019,1,1,hour=0,minute=1,second=1))
print(f'pd.Timestamp()-2：{ts}')
#pd.Timestamp()-2：2019-01-01 00:01:01
ts=pd.Timestamp("2019-1-1 0:1:1")
print(f'pd.Timestamp()-3：{ts}')
#pd.Timestamp()-3：2019-01-01 00:01:01
print(f'pd.Timestamp()-type：{type(ts)}')
#pd.Timestamp()-type：<class 'pandas._libs.tslibs.timestamps.Timestamp'>
#dt=pd.to_datetime(2019,1,1) 不支持
dt=pd.to_datetime(dt(2019,1,1,hour=0,minute=1,second=1))
print(f'pd.to_datetime()-1：{dt}')
#pd.to_datetime()-1：2019-01-01 00:01:01
dt=pd.to_datetime("2019-1-1 0:1:1")
print(f'pd.to_datetime()-2：{dt}')
#pd.to_datetime()-2：2019-01-01 00:01:01
print(f'pd.to_datetime()-type：{type(dt)}')
#pd.to_datetime()-type：<class 'pandas._libs.tslibs.timestamps.Timestamp'>
#pd.to_datetime生成自定義時(shí)間序列
dtlist=pd.to_datetime(["2019-1-1 0:1:1", "2019-3-1 0:1:1"])
print(f'pd.to_datetime()-list：{dtlist}')
#pd.to_datetime()-list：DatetimeIndex(['2019-01-01 00:01:01', '2019-03-01 00:01:01'], dtype='datetime64[ns]', freq=None)
#時(shí)間戳轉(zhuǎn)換為period月時(shí)期
pr = ts.to_period('M')
print(f'ts.to_period()：{pr}')
#ts.to_period()：2019-01
print(f'pd.to_period()-type：{type(pr)}')
#pd.to_period()-type：<class 'pandas._libs.tslibs.period.Period'>
3、生成period對(duì)象及轉(zhuǎn)換
#定義時(shí)期period
per=pd.Period('2019')
print(f'pd.Period()：{per}')
#pd.Period()：2019
per_del=pd.Period('2019')-pd.Period('2018')
print(f'2019和2018間隔{per_del}年')#可以直接+、-整數(shù)（代表年）
#2019和2018間隔1年
#時(shí)期轉(zhuǎn)換為時(shí)間戳
print(per.to_timestamp(how='end'))#2019-12-31 00:00:00
print(per.to_timestamp(how='start'))#2019-01-01 00:00:00
4、生成時(shí)間間隔Timedelta
#生成時(shí)間間隔Timedelta
print(pd.Timedelta(days=5, minutes=50, seconds=20, milliseconds=10, microseconds=10, nanoseconds=10))
#5 days 00:50:20.010010
#獲取當(dāng)前時(shí)間
now=pd.datetime.now()
#計(jì)算當(dāng)前時(shí)間往后50天的日期
dt=now+pd.Timedelta(days=50)
print(f'當(dāng)前時(shí)間是{now}, 50天后時(shí)間是{dt}')
#當(dāng)前時(shí)間是2019-06-08 17:59:31.726065, 50天后時(shí)間是2019-07-28 17:59:31.726065
#只顯示年月日
print(dt.strftime('%Y-%m-%d'))#2019-07-28
5、重采樣及頻率轉(zhuǎn)換
#asfreq 按季度顯示索引值
#'DatetimeIndex' object has no attribute 'asfreq'
date=pd.date_range('1/1/2018', periods=20, freq='D')
tsdat_series=pd.Series(range(20),index=date)
tsp_series=tsdat_series.to_period('D')
print(tsp_series.index.asfreq('Q'))
date=pd.period_range('1/1/2018', periods=20, freq='D')
tsper_series=pd.Series(range(20),index=date)
print(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='period[Q-DEC]', freq='Q-DEC')
"""
#resample 按季度統(tǒng)計(jì)并顯示
print(tsdat_series.resample('Q').sum().to_period('Q'))
"""
2018Q1 190
Freq: Q-DEC, dtype: int64
"""
#groupby 按周進(jìn)行匯總求平均值
print(tsdat_series.groupby(lambda 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: float64
"""
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了Python批量修改文件名實(shí)例操作分享，問(wèn)咋還那個(gè)主要通過(guò)以修改圖片文件名為例，將圖片復(fù)制到新的目錄中再修改名稱(chēng)，下文詳細(xì)操作過(guò)程需要的小伙伴可以參考一下2022-04-04
Python學(xué)習(xí)之路安裝pycharm的教程詳解
pycharm 是一款功能強(qiáng)大的 Python 編輯器，具有跨平臺(tái)性。這篇文章主要介紹了Python學(xué)習(xí)之路安裝pycharm的教程，本文分步驟通過(guò)圖文并茂的形式給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-06-06
python Django實(shí)戰(zhàn)之歌曲搜索功能實(shí)現(xiàn)
這篇文章主要為大家詳細(xì)介紹了如何利用python Django實(shí)現(xiàn)歌曲搜索功能,文中的示例代碼講解詳細(xì),具有一定的參考價(jià)值,有需要的小伙伴開(kāi)業(yè)了解下2023-10-10
Win10下python3.5和python2.7環(huán)境變量配置教程
這篇文章主要為大家詳細(xì)介紹了Win10下python3.5和python2.7環(huán)境變量配置教程，文中安裝步驟介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-09-09
用python爬取今日說(shuō)法每期數(shù)據(jù)
大家好，本篇文章主要講的是用python爬取今日說(shuō)法每期數(shù)據(jù)，感興趣的同學(xué)趕快來(lái)看一看吧，對(duì)你有幫助的話(huà)記得收藏一下2022-02-02
python實(shí)現(xiàn)自動(dòng)清理重復(fù)文件
這篇文章主要介紹了python如何實(shí)現(xiàn)自動(dòng)清理重復(fù)文件，幫助大家更好的理解和學(xué)習(xí)python，感興趣的朋友可以了解下2020-08-08
使用Python建立RNN實(shí)現(xiàn)二進(jìn)制加法的示例代碼
這篇文章主要介紹了使用Python建立RNN實(shí)現(xiàn)二進(jìn)制加法的示例代碼，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-03-03
Python檢測(cè)數(shù)據(jù)類(lèi)型的方法總結(jié)
在本篇文章里小編給大家整理了關(guān)于Python檢測(cè)數(shù)據(jù)類(lèi)型的方法和相關(guān)實(shí)例代碼，需要的朋友們跟著學(xué)習(xí)下。2019-05-05
如何通過(guò)安裝HomeBrew來(lái)安裝Python3
這篇文章主要介紹了如何通過(guò)安裝HomeBrew來(lái)安裝Python3,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-12-12
關(guān)于TensorFlow新舊版本函數(shù)接口變化詳解
今天小編就為大家分享一篇關(guān)于TensorFlow新舊版本函數(shù)接口變化詳解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-02-02