python学习——时间序列_python 时间序列

时间序列：索引为时间
时间序列是经济学的一种统计方法，它是采用时间排序的一组随机变量。
用途：
1、生成固定跨度的时期构成时间序列
2、转化时间序列格式
3、计算序列中的相对时间

import time
time.time() #绝对值时间，当前时间，1970年到现在的秒数,10位数
pd.Timestamp(time.time(),unit = 's')  #转换为标准时间，0时区的时刻
1
2
3

1 生成时间

1.1 pd.Timestamp

只能单个转换为时间戳

#Timestamp 只能单个转换时间戳
pd.Timestamp(time.time(),unit = 's')
pd.Timestamp(year = 2022,month = 2,day = 5,hour = 13,minute = 14,second = 25) #关键字参数
pd.Timestamp(2022,2,5,13,14,25)  #位置参数
pd.Timestamp('2022-2-3')  #时分秒不写默认为0
1
2
3
4
5

1.2 pd.to_datetime 最常用

既可以单个转换也可以多个时间转换

1.2.1 单个转换

pd.to_datetime('2022/2/3 13:14:24')  #单个转换
1

1.2.2 多个时间转换

pd.to_datetime(['2022/2/3 13:14:24','2022/3/3 13:14:24'])  #多个时间转换
1

1.2.3 日期在前 dayfirst

pd.to_datetime('12-11-2017', dayfirst = True)# 日在前
1

1.2.4 处理特殊格式 format

pd.to_datetime('2034',format = '%y%m%d')
pd.to_datetime('220304',format = '%y%m%d')
pd.to_datetime('2022.03.4',format = '%Y.%m.%d')
1
2
3

format中填写的类型

1.2.5 处理无效时间 errors

pd.to_datetime(['2017-01-01','2017-10-32'], errors = 'ignore')# error忽略（将错就错：生成的日期为错误的日期）
pd.to_datetime(['2017-01-01','2017-10-32'], errors = 'coerce')# error强迫（让错误内容显示为'NaT'）
1
2

1.2.6 和timestamp互转

today_now = time.time()
# timestamp 转为 标准时间
t = pd.to_datetime([today_now], unit = 's')
t.view()
# 标准时间 转为 timestamp
t.view('int64')
1
2
3
4
5
6

1.3 固定跨度时间的生成 pd.date_range

固定跨度时间的生成

pd.date_range('2020-3-5',freq='T',periods = 5) #periods：持续时间；freq：频率
#freq: Y年；M月；D天；H小时; T分钟；S秒
1
2

2 时间格式转换 .dt.strftime()

将标准时间转化为指定字符串形式，步骤有二：

1. 不规则的字符串日期 ————pd.to_datetime()————日期类型的数据
2. 已经有了datetime类型的日期字段———— .dt.strftime()————字符串日期

.dt.strftime('%y/%m/%d')
1

3 提取时间元素 .dt.year

.dt.year #提取年份，int类型
.dt.month #提取月份，int类型
.dt.minute #提取分钟，int类型
.dt.date #提取日期，object类型
.dt.time #提取时间，object类型
1
2
3
4
5

4 日期索引序列 data.set_index(‘日期’,inplace = True)

data = pd.DataFrame({'日期':pd.date_range('2020-3-5',freq='M',periods = 5) ,
             '订单量':[23,45,76,23,67],'金额':[23.434,2343.54,23.23,45.21,4356.54]})
#将日期设置为索引
data.set_index('日期',inplace = True)
data
1
2
3
4
5

4.1 提取时间元素 data.index.day

时间列变为索引之后，提取元素时，不用加“.dt”

#提取日
data.index.day
#是否为每月的第一天
data.index.is_month_start 
1
2
3
4

4.2 切片与索引

4.2.1 常规

data.loc['2020-04-30']#选单个
data.loc['2020-04-30':'2020-07-31'] #选多个
1
2

常规操作选取符合条件的的行

4.2.2 高级 data.loc[‘’]

# 高级操作选出2020-04
data.loc['2020-04']
1
2

5 时间偏移: DateOffset对象

d - pd.DateOffset(years = 1)  #减1年
d + pd.DateOffset(years = 1,months = 5)  #加1年5个月
d + pd.DateOffset(years = 1,days = 10)  #加1年10天
1
2
3

#东8区时间（0时区时间+8小时）
pd.Timestamp(time.time(),unit = 's') + pd.DateOffset(hours = 8)
1
2

6 重采样：resample

重采样就是特殊的groupby

data = pd.DataFrame({'日期':pd.date_range('2020-3-5',freq='M',periods = 15) ,
             '订单量':np.random.randint(50,100,15),'金额':np.random.randint(50,100,15)*100})
data
1
2
3

6.1 常规方法 按照年份对金额求和

#常规方法按照年份对金额求总计
data['年份'] = data.日期.dt.year
data.groupby('年份')['金额'].sum()
1
2
3

6.2 resample

data.resample('M')['金额'].sum() #这里面的月份包括前面的年
data.resample('6M')['金额'].sum() #6个月求一次和
1
2