Pandas库分析-时间序列的处理

我不是女神ヾ 2024-03-26 12:14 71阅读 0赞

在使用Python进行数据分析时，经常会遇到时间日期格式处理和转换，特别是分析和挖掘与时间相关的数据，比如量化交易就是从历史数据中寻找股价的变化规律。Python中自带的处理时间的模块有datetime，NumPy库也提供了相应的方法，Pandas作为Python环境下的数据分析库，更是提供了强大的日期数据处理的功能，是处理时间序列的利器。

**1、生成日期序列**

主要提供pd.data\_range()和pd.period\_range()两个方法，给定参数有起始时间、结束时间、生成时期的数目及时间频率（freq='M’月，'D’天，‘W’，周，'Y’年）等。

**两种主要区别**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。

以下通过生成月时间序列和周时间序列来对比下：

date\_rng = pd.date\_range('2019-01-01', freq='M', periods=12)

print(f'month date\_range()：\\n\{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()：\\n\{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()：\\n\{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()：\\n\{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()：\\n\{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()：\\n\{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对象及转换**

创建一个Timestamp时间戳对象有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生成自定义时间序列

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)

\#时间戳转换为period月时期

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对象及转换**

\#定义时期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间隔\{per\_del\}年')\#可以直接+、-整数（代表年）

\#2019和2018间隔1年

\#时期转换为时间戳

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、生成时间间隔Timedelta**

\#生成时间间隔Timedelta

print(pd.Timedelta(days=5, minutes=50, seconds=20, milliseconds=10, microseconds=10, nanoseconds=10))

\#5 days 00:50:20.010010

\#获取当前时间

now=pd.datetime.now()

\#计算当前时间往后50天的日期

dt=now+pd.Timedelta(days=50)

print(f'当前时间是\{now\}, 50天后时间是\{dt\}')

\#当前时间是2019-06-08 17:59:31.726065, 50天后时间是2019-07-28 17:59:31.726065

\#只显示年月日

print(dt.strftime('%Y-%m-%d'))\#2019-07-28

**5、重采样及频率转换**

\#asfreq 按季度显示索引值

\#'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'\],

dtype='period\[Q-DEC\]', freq='Q-DEC')

"""

\#resample 按季度统计并显示

print(tsdat\_series.resample('Q').sum().to\_period('Q'))

"""

2018Q1 190

Freq: Q-DEC, dtype: int64

"""

\#groupby 按周进行汇总求平均值

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

"""

之前也跟大家有讲过pandas的相关教程，大家有不理解的地方可回过头复习一下，更多的**Python学习教程**和**Python学习路线**会继续跟大家分享！

Pandas库分析-时间序列的处理

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 Pandas库分析-时间序列的处理

相关 Python 数据处理与分析之 Pandas 库

相关【python数据分析（19）】Pandas中时间序列处理（5）时间序列数据重采样resample()方法的使用

相关 pandas完成时间序列分析基础

相关 pandas处理时间的方式

相关使用pandas对时间序列数据进行等距重采样处理

相关时间序列分析

相关 pandas小记：pandas时间序列分析和处理Timeseries

相关 pandas时间序列

相关大数据分析-时间序列(pandas库 )