Pandas实战100例 | 案例 36: 时间序列重采样

发布时间:2024年01月14日

案例 36: 时间序列重采样

知识点讲解

时间序列重采样是处理时间序列数据的一种常用方法。它允许你按照不同的时间频率对数据进行重新采样和聚合。在 Pandas 中,这可以通过 resample 方法轻松完成。

  • 时间序列重采样: 使用 resample 方法可以根据不同的时间频率(如月、季度、年等)重组和汇总数据。
示例代码
# 准备数据和示例代码的运行结果,用于案例 36

# 示例数据
data_resample_time_series = {
    'Date': pd.date_range(start='2023-01-01', periods=6, freq='M'),
    'Sales': [200, 220, 250, 300, 310, 330]
}
df_resample_time_series = pd.DataFrame(data_resample_time_series)
df_resample_time_series.set_index('Date', inplace=True)

# 时间序列重采样
resampled_data = df_resample_time_series.resample('Q').mean()

df_resample_time_series, resampled_data


在这个示例中,我们将原始按月数据重新采样为按季度数据,并计算了每个季度的平均销售额。

示例代码运行结果

原始时间序列 (df_resample_time_series):

            Sales
Date             
2023-01-31    200
2023-02-28    220
2023-03-31    250
2023-04-30    300
2023-05-31    310
2023-06-30    330

重采样后的数据 (resampled_data):

                  Sales
Date                  
2023-03-31  223.333333
2023-06-30  313.333333

这个结果显示了按季度重新采样的平均销售额。时间序列重采样是分析时间序列数据时的一种重要工具。

文章来源:https://blog.csdn.net/PoGeN1/article/details/135565872
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。