python Pandas库基础分析之时间序列的处理详解
前言
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'monthdate_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'monthperiod_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'weekdate_range()：
{date_rng}')
"""
weekdate_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'weekperiod_range()：
{period_rng}')
"""
weekperiod_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('2019-01-0100:00:00',freq='H',periods=12)
print(f'hourdate_range()：
{date_rng}')
"""
hourdate_range()：
DatetimeIndex(['2019-01-0100:00:00','2019-01-0101:00:00',
'2019-01-0102:00:00','2019-01-0103:00:00',
'2019-01-0104:00:00','2019-01-0105:00:00',
'2019-01-0106:00:00','2019-01-0107:00:00',
'2019-01-0108:00:00','2019-01-0109:00:00',
'2019-01-0110:00:00','2019-01-0111:00:00'],
dtype='datetime64[ns]',freq='H')
"""
period_rng=pd.period_range('2019-01-0100:00:00',freq='H',periods=12)
print(f'hourperiod_range()：
{period_rng}')
"""
hourperiod_range()：
PeriodIndex(['2019-01-0100:00','2019-01-0101:00','2019-01-0102:00',
'2019-01-0103:00','2019-01-0104:00','2019-01-0105:00',
'2019-01-0106:00','2019-01-0107:00','2019-01-0108:00',
'2019-01-0109:00','2019-01-0110:00','2019-01-0111:00'],
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()-1：2019-01-0100:00:00
ts=pd.Timestamp(dt(2019,1,1,hour=0,minute=1,second=1))
print(f'pd.Timestamp()-2：{ts}')
#pd.Timestamp()-2：2019-01-0100:01:01
ts=pd.Timestamp("2019-1-10:1:1")
print(f'pd.Timestamp()-3：{ts}')
#pd.Timestamp()-3：2019-01-0100:01:01
print(f'pd.Timestamp()-type：{type(ts)}')
#pd.Timestamp()-type：
#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()-1：2019-01-0100:01:01
dt=pd.to_datetime("2019-1-10:1:1")
print(f'pd.to_datetime()-2：{dt}')
#pd.to_datetime()-2：2019-01-0100:01:01
print(f'pd.to_datetime()-type：{type(dt)}')
#pd.to_datetime()-type：
#pd.to_datetime生成自定义时间序列
dtlist=pd.to_datetime(["2019-1-10:1:1","2019-3-10:1:1"])
print(f'pd.to_datetime()-list：{dtlist}')
#pd.to_datetime()-list：DatetimeIndex(['2019-01-0100:01:01','2019-03-0100:01:01'],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：
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'))#2019-12-3100:00:00
print(per.to_timestamp(how='start'))#2019-01-0100:00:00
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))
#5days00:50:20.010010
#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2019-06-0817:59:31.726065,50天后时间是2019-07-2817:59:31.726065
#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'objecthasnoattribute'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按季度统计并显示
print(tsdat_series.resample('Q').sum().to_period('Q'))
"""
2018Q1190
Freq:Q-DEC,dtype:int64
"""
#groupby按周进行汇总求平均值
print(tsdat_series.groupby(lambdax:x.weekday).mean())
"""
07.0
18.0
29.0
310.0
411.0
512.0
69.5
dtype:float64
"""
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。