Pandas 库中，处理时间数据是一个核心功能，特别是对于时间序列分析。Pandas 提供了专门的数据类型和一系列工具来处理时间和日期。
1）pd.Timestamp()
pd.Timestamp()?用于创建一个时间戳对象，这在处理日期和时间数据时非常有用。pd.Timestamp 实质上是 Python 标准库中?datetime.datetime?的一个替代品，但提供了更多针对金融数据等领域的功能。它是 Pandas DatetimeIndex 的基础元素。
参数说明：
| 参数 | 描述 |
| 时间数据 | 时间数据，可以是字符串、整数、浮点数或 datetime 对象。 |
| tz | 指定时间戳的时区，可以是字符串或时区对象。 |
| unit | 当使用数字创建时间戳时，指定数字的单位，默认为 'ns'（纳秒）。 |
| year | 指定时间戳的年份部分。 |
| month | 指定时间戳的月份部分。 |
| day | 指定时间戳的日期部分。 |
| hour | 指定时间戳的小时部分。 |
| minute | 指定时间戳的分钟部分。 |
| second | 指定时间戳的秒部分。 |
| microsecond | 指定时间戳的微秒部分。 |
| nanosecond | 指定时间戳的纳秒部分。 |
| freq | 用于指定时间频率，主要用于时间序列分析。 |
| fold | 用于处理夏令时切换期间的模糊时间。 |
使用示例：Python Pandas 时间序列分析-CJavaPy
2）pd.DatetimeIndex()
pd.DatetimeIndex()用于创建一个日期时间索引 (DatetimeIndex)。这对于处理时间序列数据非常有用，可以对时间数据进行高效的操作和索引。
参数说明：
| 参数 | 描述 |
| data | 用于创建 DatetimeIndex 的数据， 可以是日期字符串列表、datetime 对象列表等。 |
| start | 生成日期范围的开始日期， 通常与 'end' 或 'periods' 结合使用。 |
| end | 生成日期范围的结束日期， 通常与 'start' 结合使用。 |
| periods | 指定生成的时间戳数量， 通常与 'start' 或 'end' 结合使用。 |
| freq | 生成日期范围的频率，如 'D'（每日）、'M'（每月）等。 |
| tz | 设置时区，可以是字符串 （如 'Asia/Shanghai'）或时区对象。 |
| normalize | 如果为 True，将时间标准化到午夜时间。 |
| closed | 定义区间的开闭性， 'left' 或 'right' 表示包含区间的左端点或右端点。 |
| name | 为 DatetimeIndex 设置一个名称。 |
| dayfirst | 当解析模糊的日期字符串时，确定是否优先解析为日。 |
| yearfirst | 当解析模糊的日期字符串时，确定是否优先解析为年。 |
| dtype | DatetimeIndex 的数据类型，通常为 'datetime64[ns]'。 |
?使用示例：Python Pandas 时间序列分析-CJavaPy
3）pd.Timedelta()
pd.Timedelta()?是 Pandas 中用于表示时间差（即持续时间）的函数。它类似于 Python 原生的?datetime.timedelta，但提供了更多与时间序列相关的功能。pd.Timedelta 对象表示一个时间间隔，可以用来进行日期和时间的计算。
参数说明：
| 参数 | 描述 |
| value | 可以是一个字符串（如 '1 days'）、整数、浮点数， 或者是一个 datetime.timedelta 对象。 这是用来定义时间差的主要方式。 |
| unit | 当 value 是一个整数或浮点数时， unit 参数用来指定该数值的单位。 有效的单位包括 'days'、'hours'、 'minutes'、'seconds'、 'milliseconds'、'microseconds'、 'nanoseconds'。 |
| kwargs | 其他关键字参数，用于提供额外的时间单位值， 如上述 days、seconds 等。 |
使用示例：
import pandas as pd
import datetime
# 使用字符串创建 Timedelta
td_from_str = pd.Timedelta('2 days 3 hours 30 minutes')
# 使用整数值和单位参数创建 Timedelta
td_from_int = pd.Timedelta(42, unit='h') # 42小时
# 直接使用天、小时等参数创建 Timedelta
td_from_components = pd.Timedelta(days=2, hours=5, minutes=30)
# 使用 datetime.timedelta 对象创建 Timedelta
td_from_datetime = pd.Timedelta(datetime.timedelta(days=1, seconds=3600))
# 输出内容
print("Timedelta from string:", td_from_str)
print("Timedelta from integer and unit:", td_from_int)
print("Timedelta from components:", td_from_components)
print("Timedelta from datetime.timedelta:", td_from_datetime)
4） pd.Period() 和 pd.period_range()
pd.Period()用于表示一个时间跨度，比如一个特定的日、月、季度或年。pd.period_range()生成一个时期范围，类似于?pd.date_range()，但用于时期而不是时间戳。
参数选项：
pd.Period()
| 参数 | 描述 |
| value | 时期的开始时间。可以是字符串、整数或另一个时期对象。 |
| freq | 时期的频率。例如 'D' 代表日，'M' 代表月，'A' 或 'Y' 代表年等。 |
pd.period_range()
| 参数 | 描述 |
| start | 范围的开始时间。可以是字符串或时期对象。 |
| end | 范围的结束时间。可以是字符串或时期对象。 |
| periods | 要生成的时期数量。如果指定了 start 和 end，这个参数可选。 |
| freq | 时期的频率。例如 'D'、'M'、'A' 等。 |
| name | 生成的 PeriodIndex 的名称。 |
使用示例：
import pandas as pd # 创建一个月度时期 monthly_period = pd.Period(value='2021-01', freq='M') # 创建一个年度时期 annual_period = pd.Period(value='2021', freq='A') # 创建一个月度时期范围 monthly_period_range = pd.period_range(start='2021-01', end='2021-12', freq='M') # 创建一个年度时期范围 annual_period_range = pd.period_range(start='2020', end='2023', freq='A') # 创建一个固定数量的日度时期范围 daily_period_range = pd.period_range(start='2021-01-01', periods=30, freq='D') print(monthly_period) print(annual_period) print(monthly_period_range) print(annual_period_range) print(daily_period_range)
Pandas 时间序列分析的基础是 Series 对象。Series 对象是单变量时间序列数据结构。使用 Pandas 处理时间序列数据时，可以轻松地完成数据读取、清洗、转换、分析和可视化等任务。这些功能在金融数据分析、经济学研究、环境科学等多个领域都非常有用。
1）时间范围生成
pandas.date_range?函数是用于生成日期范围的主要工具。这个函数非常灵活，可以根据多种不同的参数来定制日期序列。
参数说明：
| 参数 | 描述 |
| start | 时间范围的开始日期。 |
| end | 时间范围的结束日期。 |
| periods | 生成的时间点的数量（如果指定了 start 和 end，则无需此参数）。 |
| freq | 频率，决定时间点之间的间隔 （例如，'D' 代表每日，'M' 代表每月，'H' 代表每小时等）。 |
| tz | 时区。 |
| normalize | 布尔值，如果为 True，则时间点将被标准化到午夜时间。 |
?使用示例：Python Pandas 时间序列分析-CJavaPy
2）时间频率转换
处理时间序列时常用的功能之一是时间频率的转换，包括重采样（Resampling）和频率转换（Frequency Conversion）。使用resample()方法实现重采样。重采样是改变时间序列频率的过程，包括将高频率数据转换为低频率（降采样），或将低频率数据转换为高频率（升采样）。使用asfreq()实现频率转换，引操作涉及改变时间序列的频率而不改变数据的聚合。
import pandas as pd
import numpy as np
# 创建一个日频率的时间序列
rng = pd.date_range('2020-01-01', periods=100, freq='D')
ts = pd.Series(np.random.randn(len(rng)), index=rng)
# 1. 重采样（Resampling）
# 将日数据重采样为月数据，并计算每月的平均值
ts_monthly = ts.resample('M').mean()
print("重采样为月频率的时间序列:\n", ts_monthly)
# 2. 频率转换（Frequency Conversion）
# 将月数据转换为季度数据，保持季度末的值
ts_quarterly = ts_monthly.asfreq('Q')
print("\n转换为季度频率的时间序列:\n", ts_quarterly)
3）移动窗口
移动窗口是时间序列分析中的一个强大工具，特别适用于趋势分析、数据平滑处理等应用场景。处理时间序列数据时一个重要的功能是使用移动窗口（Moving Window）。移动窗口操作可以在固定大小的窗口上应用函数，常用于平滑数据、计算滚动统计量等。这种技术在金融数据分析中尤为常见，比如计算移动平均或移动标准差。
import pandas as pd
import numpy as np
# 创建一个时间序列
dates = pd.date_range('20230101', periods=10)
series = pd.Series(np.random.randn(10), index=dates)
# 计算移动平均
rolling_mean = series.rolling(window=3).mean()
# 计算移动标准差
rolling_std = series.rolling(window=3).std()
# 显示原始数据和移动窗口计算结果
print("原始数据:\n", series)
print("\n移动平均:\n", rolling_mean)
print("\n移动标准差:\n", rolling_std)
4）时间序列绘图
制时间序列图是一个常见且重要的操作，尤其适用于数据分析和数据可视化的领域。Pandas与Matplotlib库紧密集成，使得绘制时间序列数据变得简单直观。
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
# 创建时间序列数据
dates = pd.date_range('20230101', periods=100)
data = pd.DataFrame({'value': np.random.randn(100)}, index=dates)
data.plot()
plt.title('Time Series Plot')
plt.ylabel('Values')
plt.xlabel('Date')
plt.show()