|
顾名思义，时间序列（time series），就是由时间构成的序列，它指的是在一定时间内按照时间顺序测量的某个变量的取值序列，比如一天内的温度会随时间而发生变化，或者股票的价格会随着时间不断的波动，这里用到的一系列时间，就可以看做时间序列。时间序列包含三种应用场景，分别是：
- 特定的时刻（timestamp），也就是时间戳；
- 固定的日期（period），比如某年某月某日；
- 1. 时间间隔（interval），每隔一段时间具有规律性；
在处理时间序列的过程中，我们一般会遇到两个问题，第一，如何创建时间序列；第二，如何更改已生成时间序列的频率。 Pandas 为解决上述问题提供了一套简单、易用的方法。
下面用 Python 内置的 datetime 模块来获取当前时间，通过该模块提供的 now() 方法即可实现。
1.from datetime import datetime
2.
3. print(datetime.now()) |
输出结果：
创建时间戳
TimeStamp（时间戳） 是时间序列中的最基本的数据类型，它将数值与时间点完美结合在一起。Pandas 使用下列方法创建时间戳：
1.import pandas as pd
2. print (pd.Timestamp('2017-03-01')) |
输出结果：
同样，可以将整型或浮点型表示的时间转换为时间戳。默认的单位是纳秒(时间戳单位)，示例如下：
1.import pandas as pd
2. print(pd.Timestamp(1587687255,unit='s')) |
输出结果：
创建时间范围
通过 date_range() 方法可以创建某段连续的时间或者固定间隔的时间时间段。该函数提供了三个参数，分别是：
- start：开始时间
- end：结束时间
- freq：时间频率，默认为 "D"（天）
示例如下：
1.import pandas as pd
2.
3. print(pd.date_range("9:00", "18:10", freq="30min").time) |
输出结果：
[datetime.time(9, 0) datetime.time(9, 30) datetime.time(10, 0)
datetime.time(10, 30) datetime.time(11, 0) datetime.time(11, 30)
datetime.time(12, 0) datetime.time(12, 30) datetime.time(13, 0)
datetime.time(13, 30) datetime.time(14, 0) datetime.time(14, 30)
datetime.time(15, 0) datetime.time(15, 30) datetime.time(16, 0)
datetime.time(16, 30) datetime.time(17, 0) datetime.time(17, 30)
datetime.time(18, 0)] |
更改时间频率
1.import pandas as pd
2.
3. print(pd.date_range("6:10", "11:45", freq="H").time) |
输出结果：
[datetime.time(6, 10) datetime.time(7, 10) datetime.time(8, 10)
datetime.time(9, 10) datetime.time(10, 10) datetime.time(11, 10)] |
转化为时间戳
您可以使用 to_datetime() 函数将 series 或 list 转换为日期对象，其中 list 会转换为 DatetimeIndex 。示例如下：
1.import pandas as pd
2. print(pd.to_datetime(pd.Series(['Jun 3, 2020','2020-12-10', None]))) |
输出结果：
0 2020-06-03
1 2020-12-10
2 NaT
dtype: datetime64[ns] |
注意：NaT 表示的不是时间 ，它等效于 NaN。
最后再来看一个示例：
1.import pandas as pd
2.
3. print(pd.to_datetime(['Jun 31, 2020','2020-12-10', None])) |
输出结果：
DatetimeIndex(['2020-06-03', '2020-12-10', 'NaT'], dtype='datetime64[ns]', freq=None) |
频率和周期转换
Time Periods 表示时间跨度，一段时间周期，它被定义在 Pandas Periods 类中，通过该类提供的方法可以实现将频率转换为周期。比如 Periods() 方法，可以将频率 "M"（月）转换为 Period（时间段）。
下面示例，使用 asfreq() 和 start 参数，打印 "01" ，若使用 end 参数，则打印 "31"。示例如下：
1.import pandas as pd
2. x = pd.Period('2014', freq='M')
3.
4. x.asfreq('D', 'start')
5.
6. x.asfreq('D', 'end') |
输出结果:
Period('2014-01-01', 'D')
Period('2014-01-31', 'D') |
对于常用的时间序列频率，Pandas 为其规定了一些字符串别名，我们将这些别名称为“offset（偏移量）”。如下表所示：
| 别名 | 描述 | 别名 | 描述 |
| B |
工作日频率 |
BQS |
工作季度开始频率 |
| D |
日历日频率 |
A |
年终频率 |
| W |
每周频率 |
BA |
工作年度结束频率 |
| M |
月末频率 |
BAS |
工作年度开始频率 |
| SM |
半月结束频率 |
BH |
营业时间频率 |
| BM |
工作月结束频率 |
H |
小时频率 |
| MS |
月开始频率 |
T,min |
每分钟频率 |
| SMS |
半月开始频率 |
S |
每秒钟频率 |
| BMS |
工作月开始频率 |
L,ms |
毫秒 |
| Q |
季末频率 |
U,us |
微妙 |
| BQ |
工作季度结束频率 |
N |
纳秒 |
| QS |
季度开始频率 |
|
|
时间周期计算
周期计算，指的是对时间周期进行算术运算，所有的操作将在“频率”的基础上执行。
1.import pandas as pd
2.
3. x = pd.Period('2014', freq='S')
4. x |
输出结果：
Period('2014-01-01 00:00:00', 'S') |
执行计算示例：
1.import pandas as pd
2. x = pd.Period('2014', freq='S')
3.
4. print(x+1) |
输出结果：
Period('2014-01-01 00:00:01', 'S') |
再看一组完整的示例：
2. p1=pd.Period('2020')
3. p2=pd.Period('2019')
4.
5. print(f'p1={p1}年')
6. print(f'p2={p2}年')
7. print(f'p1和p2间隔{p1-p2}年')
8.
9. print(f'五年前是{p1-5}年')
|
输出结果：
p1=2020年
p2=2019年
p1和p2间隔<YearEnd: month=12>年
五年前是2015年 |
创建时间周期
我们可以使用 period_range() 方法来创建时间周期范围。示例如下：
1. import pandas as pd
2.
3. p = pd.period_range('2016','2018', freq='Y')
4. p |
输出结果：
PeriodIndex(['2016', '2017', '2018'], dtype='period[A-DEC]', freq='A-DEC') |
时间序列转换
如果想要把字符串日期转换为 Period，首先需要将字符串转换为日期格式，然后再将日期转换为 Period。示例如下：
2. index=pd.date_range("2020-03-17","2020-03-30",freq="1.5H")
3.
4. loc=np.random.choice(np.arange(len(index)),size=4,replace=False)
5. loc.sort()
6. ts_index=index[loc]
7. ts_index
8. pd_index=ts_index.to_periods('D')
9. pd_index()
|
输出结果：
DatetimeIndex(['2020-03-17 12:00:00', '2020-03-22 04:30:00',
'2020-03-27 03:00:00', '2020-03-30 00:00:00'],
dtype='datetime64[ns]', freq=None)
PeriodIndex(['2020-03-17', '2020-03-19', '2020-03-19', '2020-03-27'], dtype='period[D]', freq='D') |
使用 to_timestamp() 能够将 Period 时期转换为时间戳（timestamp），示例如下：
1. import pandas as pd
2. p1=pd.Periods("2020-2-3")
3. p1.to_timestamp() |
输出结果：
Timestamp('2020-02-03 00:00:00') |
创建日期范围
Pandas 提供了用来创建日期序列的函数 date_range()，该函数的默认频率为 "D"， 也就是“天”。日期序列只包含年、月、日，不包含时、分、秒。
下面是一组简单的示例，如下所示：
1. import pandas as pd
2. print(pd.date_range('12/15/2020', periods=10)) |
输出结果：
DatetimeIndex(['2020-12-15', '2020-12-16', '2020-12-17', '2020-12-18',
'2020-12-19', '2020-12-20', '2020-12-21', '2020-12-22',
'2020-12-23', '2020-12-24'],
dtype='datetime64[ns]', freq='D') |
当我们使用 date_range() 来创建日期范围时，该函数包含结束的日期，用数学术语来说就是区间左闭右闭，即包含起始值，也包含结束值。示例如下：
1. import pandas as pd
2.
3. start = pd.datetime(2019, 1, 1)
4. end = pd.datetime(2019, 1, 5)
5. print pd.date_range(start,end) |
输出结果：
DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04','2019-01-05']
,dtype='datetime64[ns]', freq='D') |
更改日频率
使用下列方法可以修改频率，比如按“天”为按“月”，示例如下：
import pandas as pd
1. print(pd.date_range('12/15/2011', periods=5,freq='M')) |
输出结果：
DatetimeIndex(['2020-12-31', '2021-01-31', '2021-02-28', '2021-03-31',
'2021-04-30'],dtype='datetime64[ns]', freq='M') |
工作日时间
bdate_range() 表示创建工作日的日期范围，它与 date_range() 不同，它不包括周六、周日。
1. import pandas as pd
2. print(pd.date_range('11/25/2020', periods=8)) |
输出结果：
DatetimeIndex(['2020-11-25', '2020-11-26', '2020-11-27', '2020-11-28','2020-11-29', '2020-11-30', '2020-12-01', '2020-12-02'],dtype='datetime64[ns]', freq='D') |
上述方法中，date_range() 默认频率是日历日，而 bdate_range() 的默认频率是工作日。 |
