时间序列&日期学习笔记大全（上）

爱被打了一巴掌 2022-12-07 12:42 125阅读 0赞

![format_png][]

作者：湛林

来源：凹凸数据

建议收藏

### 1. 日期解析 ###

# pd.to_datetime 可以解析多种格式的日期形式
    pd.to_datetime(['1/1/2018', np.datetime64('2018-01-01'),
                    datetime.datetime(2018, 1, 1)])
    # 生成固定频率的日期
    pd.date_range('2018-01-01', periods=3, freq='H')

![format_png 1][]

### 2. 时区设置 ###

# 设置时间的时区
    dti = dti.tz_localize('UTC')
    # 调整时间的时区
    dti.tz_convert('US/Pacific')

![format_png 2][]

### 3. 用增量进行时间计算 ###

a = pd.Timestamp('2018-01-05')
    # 输出a 是周几
    a.day_name()
    # 加一天
    b = a + pd.Timedelta('1 day')
    b.day_name()
    # 加一个工作日
    c = a + pd.offsets.BDay()
    c.day_name()

![format_png 3][]

### 4. pandas的日期支持 ###

pandas中一共有四种日期类型，分别是

*  Date times：一种特定的日期、时间，可以含时区特征
 *  Time deltas：一种绝对时间增量
 *  Time spans：时间跨度
 *  Date offsets：与日历运算相关的相对时间持续时间（会被已object形式存储）

对于时间序列数据，传统的做法是在一个序列或DataFrame的索引中表示时间成分，这样就可以对时间元素执行操作。pandas也可以将时间作为数据

### 5. 时间戳与时间跨度 Timestamps vs. Time Spans ###

时间戳数据是时间序列数据的最基本类型，它将值与时间点关联起来。对于panda对象，它意味着使用时间点。

时间跨度是指一个时期，period。周期表示的跨度可以明确指定，也可以从字符串中推断得到。

上述二者都可以成为index，而且如果是列表，则会自动被识别为index

### 6. 生成时间数据 ###

#### 6.1 常规日期时间数据生成方法 ####

# 传进Series，返回的也是Series
    pd.to_datetime(pd.Series(['Jul 31, 2009', '2010-01-10', None]))
    # 传进列表，返回的是一个DatetimeIndex
    pd.to_datetime(['2005/11/23', '2010.12.31'])
    # 传入dayfirst=True，设置解析日期时的格式是日-月-年，否则就是月-日-年
    pd.to_datetime(['12-01-2012', '01-12-2012'], dayfirst=False)
    # infer参数可以用于让计算机自己推测 时间间隔
    pd.DatetimeIndex(['2018-01-01', '2018-01-03', '2018-01-05'], freq='infer')

![format_png 4][] ![format_png 5][] ![format_png 6][]

# 通过format设置特定的解析模式
    pd.to_datetime('2010/11/12', format='%Y/%m/%d')

![format_png 7][]

#### 6.2从不同列中合并日期，生成时间数据 ####

df = pd.DataFrame({'year': [2015, 2016], 'month': [2, 3],'day': [4, 5], 'hour': [2, 3]})
    # 用数据框的而不同列拼凑成一个日期数据
    pd.to_datetime(df)
    # 选特定的要素组成日期数据，必选的是年月日，可选的是时分秒等
    pd.to_datetime(df[['year', 'month', 'day']])

#### 6.3 遇到无法解析数据的处理 ####

# 有无法解析的直接全部报错
    pd.to_datetime(['2009/07/31', 'asd'], errors='raise')
    # 无法解析的忽略，原封不动返回
    pd.to_datetime(['2009/07/31', 'asd'], errors='ignore')
    # 无法解析的返回 空值
    pd.to_datetime(['2009/07/31', 'asd'], errors='coerce')

![format_png 8][]

#### 6.4 支持纪元时间和正常时间的转换 ####

从元年开始，至今的秒数，可以转换为正常 年月日 的日期

pd.to_datetime([1349720105, 1349806505], unit='s')
    # 正常时间-某特定时间，转化成从特定时间至今的秒数（整数）
    (stamps - pd.Timestamp("1970-01-01")) // pd.Timedelta('1s')

#### 6.5 使用origin创建时间 ####

# 从1960-01-01起，分别加1，2，3。单位为Day
    pd.to_datetime([1, 2, 3], unit='D', origin=pd.Timestamp('1960-01-01'))

![format_png 9][]

### 7. 生成带时间戳的index ###

# 两种方法均可以生成时间戳index
    pd.DatetimeIndex(dates)
    pd.Index(dates)

![format_png 10][]

#### 7.1 生成大量的时间戳index ####

start = datetime.datetime(2011, 1, 1)
    end = datetime.datetime(2012, 1, 1)
    # date_range是自然日
    pd.date_range(start, end)
    # bdate_range是工作日
    pd.bdate_range(start, end)
    # 还可以传入开始，period，频率参数生成
    pd.date_range(start, periods=1000, freq='M')
    pd.bdate_range(start, periods=250, freq='BQS')
    # 传入首尾，频率
    pd.date_range(start, end, freq='BM')
    pd.date_range(start, end, freq='W')
    # 传入开始 或结尾，period参数
    pd.bdate_range(end=end, periods=20)     # 结束往前推20个周期
    pd.bdate_range(start=start, periods=20) # 开始往后推20个周期

![format_png 11][]

# 指定开始、结束和周期，将生成一个从开始到结束均匀间隔的日期范围
    pd.date_range('2018-01-01', '2018-01-05', periods=5)
    pd.date_range('2018-01-01', '2018-01-05', periods=10)

![format_png 12][]

#### 7.2 略过节假日和选特定日期的参数 ####

weekmask = 'Mon Wed Fri'        # 只能是 ‘Mon Tue Wed Thu Fri’ 多选
    holidays = [datetime.datetime(2011, 1, 5), datetime.datetime(2011, 3, 14)]
    # 设置holidays 和 mask，剔除holidays的日期，直选mask设定的周X，默认全部工作日
    pd.bdate_range(start, end, freq='C', weekmask=weekmask, holidays=holidays)

![format_png 13][]

### 8. 时间index的特殊属性 ###

![format_png 14][]

# 日期或字符串解析数据可以作为索引
    ts[datetime.datetime(2011, 12, 25):]    # 选2011.12.25后的日期数据
    ts['10/31/2011':'12/31/2011']           # 切片选择数据
    ts['2011']                              # 按年份选择数据
    ts['2011-6']                            # 按年-月选择数据

![format_png 15][]

# 数据框同样可以使用切片数据
    # 选到日的时候，右侧是闭的，选
    dft['2013-1':'2013-2']          # 最后一条2013/02的数据也会选入
    dft['2013-1':'2013-2-28']       # 2013.2.28的全部数据会被选入
    dft['2013-1':'2013-2-28 00:00:00']  # 有精确时间的，最后00:00:00被选入。

![format_png 16][]

[![format_png 17][]][format_png 17 1]

[![format_png 18][]][format_png 18 1]

![format_png 19][]![format_png 20][]

[format_png]: /images/20221123/7fb232247e7e405fa94c6b4fe4402a18.png
[format_png 1]: /images/20221123/b95246b0fd134fa996f5ad000b70930b.png
[format_png 2]: /images/20221123/cedf58311381420d98bc94e2e873e473.png
[format_png 3]: /images/20221123/c58ffcd5138c40e39add7cbe5ac5f2ae.png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGhnZTlKVG5pY3FDeDBvb3dSaWE3aWNpYm5xc2pub0c5RlJmMVlUVDVabG0wYlc0bkp2NXVwU2liZFNRRnpQMElldEtXM1VpYXNlcnVHU0kyRkEvNjQw?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy90WFlpY3Q0MHhmTGhnZTlKVG5pY3FDeDBvb3dSaWE3aWNpYm5xYVhYT2JRUXRlRGJpYjVLWVJHM3ZWMHNwZWRGaEhPTG1HZDNrc0F1c0hCUXFpY3NkZXRma2thTkEvNjQw?x-oss-process=image/format,png
[format_png 6]: /images/20221123/6fccbe5974554b4db94645edd5781dc7.png
[format_png 7]: /images/20221123/bc1e692ba742427fb7a26b9aeec56e40.png
[format_png 8]: /images/20221123/ee4450c23a274e5da3620890161f90e0.png
[format_png 9]: /images/20221123/fc562055ac3440a5867250c0922b0974.png
[format_png 10]: /images/20221123/c37bd2cbe27e4b648264bc9b8756dba6.png
[format_png 11]: /images/20221123/7ac16d52498d4141b0282aa5fd2f1d88.png
[format_png 12]: /images/20221123/af54a5eea2ee49608cb5d513cb49c111.png
[format_png 13]: /images/20221123/8e6abe25fed944c0ae6b18ec7f6f630c.png
[format_png 14]: /images/20221123/6e0fb0c5c3fb4286bb0547a7fc3863b1.png
[format_png 15]: /images/20221123/1ec23f2d0fb84b51b71ab6b7739a9ee1.png
[format_png 16]: /images/20221123/2db79fc11a6142f09699ce0d681dcf95.png
[format_png 17]: /images/20221123/94322f714a6540bcb42acafded079f12.png
[format_png 17 1]: http://mp.weixin.qq.com/s?__biz=MzU5Nzg5ODQ3NQ%3D%3D&chksm=fe4ecaacc93943ba5d743f01e0f0b047b92b27859d3572796e6323c00ffc4d6a786fba1e0b2b&idx=2&mid=2247495464&scene=21&sn=f848c12dd522a2884351ece1badf6ef8#wechat_redirect
[format_png 18]: /images/20221123/09136693af4341afbfbe053493dfd2ae.png
[format_png 18 1]: http://mp.weixin.qq.com/s?__biz=MzU5Nzg5ODQ3NQ%3D%3D&chksm=fe4ecafbc93943ed43cb068584336937503aabe3b4676fbc844ca78e7da07671a26aa62b1ea9&idx=2&mid=2247495551&scene=21&sn=4c24167e3971e46f644cfd8d9bf31e84#wechat_redirect
[format_png 19]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2dpZi90WFlpY3Q0MHhmTGhwZjNzcEJTbkx2Zk56WklaNkVLb0JBYmsxd1d4TTFqaWNZVTQ0clF2c2FvUmN6VHRpYlJTOFVtbWI3Vk1hTldvM1M3cjRnMVlETnduQS82NDA?x-oss-process=image/format,png
[format_png 20]: /images/20221123/d55f65d66cb440b8a9ddc3b959e3f078.png