Python Pandas 时间序列分析 日期时间的处理和转换

发布时间:2024年01月11日

1、日期和时间的创建

pd.date_range()?是处理时间序列数据时非常重要的函数。它用于生成具有特定频率的固定长度的?DatetimeIndex,适用于创建时间序列数据或作为?DataFrame?或?Series?的时间索引。使用pd.to_datetime()将字符串转换为日期时间对象。

1)pd.date_range()

参数说明:

参数

描述

start

时间范围的开始日期/时间。可以是字符串或日期时间对象。

end

时间范围的结束日期/时间。可以是字符串或日期时间对象。

periods

要生成的时间点数量。如果指定了 start 和 end,这个参数可选。

freq

时间点的频率,如 'D'(每天),'M'(月末),'H'(每小时)等。

tz

时区名称,用于本地化时间索引。

normalize

如果为 True,则时间部分将归一化到午夜。

name

生成的 DatetimeIndex 的名称。

closed

控制间隔的哪一端是闭合的,可选项包括 'left'、'right'。

使用示例:Python Pandas 时间序列分析 日期时间的处理和转换-CJavaPy

2)pd.to_datetime()

pd.to_datetime()是处理和转换日期时间数据的重要工具。它可以将多种格式的数据转换为 Pandas 的?datetime?类型。

参考说明:

参数

描述

arg

要转换的日期时间数据。

可以是单个字符串、数字、列表、Series 或 DataFrame。

errors

如何处理错误。'ignore' 忽略错误,

'raise' 抛出错误,'coerce' 将错误设置为 NaT。

format

指定解析日期时间的格式(如 '%Y-%m-%d')。

unit

指定时间戳单位(如 's' 表示秒)。

?使用示例:Python Pandas 时间序列分析 日期时间的处理和转换-CJavaPy

2、 提取日期和时间的组成部分

可以从日期时间对象中提取年份、月份、日等信息。

import pandas as pd
import numpy as np


dates = pd.date_range('20230101', periods=6)


# 提取日期时间的组成部分
year = dates.year
month = dates.month
day = dates.day

# 提取小时
# dates.hour
# 提取分钟
# dates.minute
# 提取秒
# dates.second
# 提取微秒
# dates.microsecond

print("年:", year)
print("月:", month)
print("日:", day)

3、日期和时间的算术运算

进行时间序列分析时,日期和时间的算术运算是一个重要的特性。

import pandas as pd

# 日期加减
date_plus_10_days = pd.Timestamp('2024-01-01') + pd.Timedelta(days=10)
print("Date plus 10 days:", date_plus_10_days)

# 时间差
time_difference = pd.Timestamp('2024-01-11') - pd.Timestamp('2024-01-01')
print("Time difference:", time_difference)

# 时间偏移
next_month_end = pd.Timestamp('2024-01-01') + pd.offsets.MonthEnd()
print("Next month end:", next_month_end)

# 创建时间序列数据
series = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], 
                   index=pd.date_range('2024-01-01', periods=10))

# 数据向后移动
shifted_series = series.shift(periods=1)
print("\nShifted Series:\n", shifted_series)

# 计算滑动窗口平均值
rolling_avg = series.rolling(window=5).mean()
print("\nRolling Window Average:\n", rolling_avg)

4、时区处理

将时间数据本地化到特定的时区,以及在不同时区之间进行转换。这在处理跨越多个地理位置的数据时特别有用。

import pandas as pd

# 创建时间序列
ts = pd.Series(pd.date_range('2021-01-01', periods=3, freq='H'))

# 本地化到 UTC 时区
ts_localized = ts.dt.tz_localize('UTC')
print("Localized to UTC:\n", ts_localized)

# 转换到中国上海时区
ts_converted = ts_localized.dt.tz_convert("Asia/Shanghai")
print("\nConverted to Asia/Shanghai:\n", ts_converted)

5、时间序列的重采样

时间序列的重采样(Resampling)是一种改变时间序列数据频率的常用技术。它可以是降采样(减少数据点,如从日到月)或升采样(增加数据点,如从月到日)。重采样通常用于聚合数据或使数据符合特定的时间频率。

参数说明:

参数

描述

rule

重采样频率,如 'D'(天)、'M'(月)、'A'(年)等。

axis

应用重采样的轴。

closed

在降采样中,定义区间的闭合端。

label

在降采样中,如何标记聚合结果的时间标签。

convention

当重采样时期索引时,用于确定时期的约定。

kind

聚合到时间戳('timestamp')还是时期('period')。

loffset

对结果索引的偏移量。

base

对于每个时间窗口,基时间的偏移量。

on

在 DataFrame 上,用于重采样的列。

level

在多级索引的特定级别上重采样。

?使用示例:Python Pandas 时间序列分析 日期时间的处理和转换-CJavaPy

文章来源:https://blog.csdn.net/weixin_42098295/article/details/135514269
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。