Pandas中時(shí)間序列基礎(chǔ)的示例分析

小編給大家分享一下Pandas中時(shí)間序列基礎(chǔ)的示例分析，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

時(shí)間序列的類型：

時(shí)間戳：具體的時(shí)刻

固定的時(shí)間區(qū)間：例如2007年的1月或整個(gè)2010年

時(shí)間間隔：由開始時(shí)間和結(jié)束時(shí)間表示，時(shí)間區(qū)間可以被認(rèn)為是間隔的特殊情況

實(shí)驗(yàn)時(shí)間和消耗時(shí)間：每個(gè)時(shí)間是相對(duì)于特定開始時(shí)間的時(shí)間的量度，（例如自從被放置在烤箱中每秒烘烤的餅干的直徑）

日期和時(shí)間數(shù)據(jù)的類型及工具

datetime模塊中的類型：

date   使用公歷日歷存儲(chǔ)日歷日期（年，月，日） 
time   將時(shí)間存儲(chǔ)為小時(shí)，分鐘，秒，微秒
datetime  存儲(chǔ)日期和時(shí)間
timedelta  表示兩個(gè)datetime值之間的差（如日，秒，微秒）
tzinfo  用于存儲(chǔ)時(shí)區(qū)信息的基本類型

from datetime import datetime
now = datetime.now()
now.year  #當(dāng)時(shí)年份
now.month  #當(dāng)前月份
now.day  #當(dāng)前天
now.time()  #當(dāng)前時(shí)間
datetime.time(12, 27, 41, 303676)

 兩個(gè)時(shí)間戳運(yùn)算得到一個(gè)timedelta(時(shí)間差)類型

日期時(shí)間差 timedelta類型

from datetime import timedelta

start = datetime(2019,2,5)
start + timedelta(20)  #默認(rèn)為天
datetime.datetime(2019, 2, 25, 0, 0)

字符串和datetime互相轉(zhuǎn)換

date.strptime方法將字符串轉(zhuǎn)換為時(shí)間

values = '2019-8-9'
datetime.strptime(values,'%Y-%m-%d')  #是在已知格式的前提下轉(zhuǎn)換日期的好方式
datetime.datetime(2019, 8, 9, 0, 0)

datestrs = ['2019-8-7','2019-8-9']
[datetime.strptime(values,'%Y-%m-%d') for values in datestrs]
[datetime.datetime(2019, 8, 7, 0, 0), datetime.datetime(2019, 8, 9, 0, 0)]

更為通用的日期轉(zhuǎn)換格式

from dateutil.parser import parse
parse(values)
datetime.datetime(2019, 8, 9, 0, 0)
parse('8,5,2018',dayfirst=True) #dayfirst參數(shù) 第一個(gè)元素是天
datetime.datetime(2018, 5, 8, 0, 0)

pd.to_datetime() 用于軸索引或DataFrame的列

pd.to_datetime(datestrs)
DatetimeIndex(['2019-08-07', '2019-08-09'], dtype='datetime64[ns]', freq=None)

更為簡單的轉(zhuǎn)換

datetime(2019,1,1)
datetime.datetime(2019, 1, 1, 0, 0)

時(shí)間序列的算術(shù)運(yùn)算（在日期上自動(dòng)對(duì)齊）

index = pd.date_range('3/3/2018',periods=20)
ts = pd.Series(np.random.randn(20),index=index)
ts
2018-03-03 0.611591
2018-03-04 0.119168
2018-03-05 0.514390
2018-03-06 1.010600
2018-03-07 0.181763
2018-03-08 -0.290964
2018-03-09 0.252927
2018-03-10 -1.645692
2018-03-11 -0.500014
2018-03-12 -1.247355

ts1 = ts[::2]
2018-03-03 0.611591
2018-03-05 0.514390
2018-03-07 0.181763
2018-03-09 0.252927
2018-03-11 -0.500014
2018-03-13 -0.122307
2018-03-15 0.361237
2018-03-17 -1.894853
2018-03-19 -1.608989
2018-03-21 1.274982
Freq: 2D, dtype: float64

ts + ts1
2018-03-03 1.223183
2018-03-04  NaN
2018-03-05 1.028781
2018-03-06  NaN
2018-03-07 0.363526
2018-03-08  NaN
2018-03-09 0.505853
2018-03-10  NaN
2018-03-11 -1.000028
2018-03-12  NaN
2018-03-13 -0.244613
2018-03-14  NaN
2018-03-15 0.722473
2018-03-16  NaN
2018-03-17 -3.789707
2018-03-18  NaN
2018-03-19 -3.217979
2018-03-20  NaN
2018-03-21 2.549963
2018-03-22  NaN

ts.index.dtype  #數(shù)據(jù)；類型在納秒級(jí)的分辨率下存儲(chǔ)時(shí)間戳
dtype('<M8[ns]')

ts.index[0]  #datetimeindex中的標(biāo)量值是一個(gè)時(shí)間戳（timestamp）
Timestamp('2018-03-03 00:00:00', freq='D')

時(shí)間序列的索引，選擇，子集

時(shí)間序列的索引

ts = pd.Series(np.random.randn(1000),index = pd.date_range('1/1/2016',periods=1000))

s['2018-6'] #時(shí)間序列的索引 也可用ts.loc[]
2018-06-01 1.371843
2018-06-02 -0.356041
2018-06-03 0.111452
2018-06-04 0.325222
2018-06-05 -0.863138
2018-06-06 -0.115909
2018-06-07 0.062894
2018-06-08 0.223712

時(shí)間序列的切片

ts['2018-9-23':]  #時(shí)間序列的切片
2018-09-23 0.005519
2018-09-24 -1.374038
2018-09-25 1.769112
2018-09-26 -0.000306
Freq: D, dtype: float64

ts.truncate(before='2018-9-24')  #使用truncate方法向后切片
2018-09-24 -1.374038
2018-09-25 1.769112
2018-09-26 -0.000306
Freq: D, dtype: float64

ts.truncate(after='2016-1-4')  #向前切片
2016-01-01 -1.776334
2016-01-02 -0.488550
2016-01-03 -1.299889
2016-01-04 -1.883413
Freq: D, dtype: float64

含有重復(fù)索引的時(shí)間序列的分組處理

index = pd.DatetimeIndex(['1/1/2017','1/1/2017','1/2/2017','1/3/2017'])
dup_ta = pd.Series(np.arange(4),index=index)
dup_ta
2017-01-01 0
2017-01-01 1
2017-01-02 2
2017-01-03 3
dtype: int32

dup_ta.groupby(level=0).mean()

看完了這篇文章，相信你對(duì)“Pandas中時(shí)間序列基礎(chǔ)的示例分析”有了一定的了解，如果想了解更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！