pandas时序数据-task4

0.前言

这里写一点自己的理解吧，之前学习完材料后做了一些总结，但做练习题目时完全不会，目前想法是掌握了多少写多少，这里主要掌握了date_range,to_datetime.

1.pandas时间类型数据

• pandas有多种时间数据类型，一共四种，
• Timestamp：表示时间点，时刻。由to_datetime,date_range创建
• Time spans材料中没有介绍
• DataOffset与Timedelta
  两者都表示时间间隔，单位可以为
  • years
  • months
  • weeks
  • days
  • hours
  • minutes
  • seconds
  • microseconds
  • nanoseconds

两者的区别主要在days为单位时，如果原时间带有夏令时间，那么绝对时间的一天，是24小时，而相对时间的一天，则有可能不等于24小时，为的是前一天时间，加1days，会等于后一天同一时刻。
即Timedelta绝对时间差的特点指无论是冬令时还是夏令时，增减1day都只计算24小时
DataOffset相对时间差指，无论一天是23\24\25小时，增减1day都与当天相同的时间保持一致
例如，英国当地时间 2020年03月29日，01:00:00 时钟向前调整 1 小时 变为 2020年03月29日，02:00:00，开始夏令时。

ts = pd.Timestamp('2020-3-29 01:00:00', tz='Europe/Helsinki')
ts + pd.Timedelta(days=1)

如果把时区去掉，那么结果会一样。

pd.to_datetime()可以将列表，series转为时间格式，这个在使用中十分有用。

使用pd.date_range()可以方便的生成时间序列。
date_range()方法
一般来说，start/end/periods（时间点个数）/freq（间隔方法）是该方法最重要的参数，给定了其中的3个，剩下的一个就会被确定

pd.date_range(start='2020/1/1',end='2020/1/10',periods=3)
DatetimeIndex(['2020-01-01 00:00:00', '2020-01-05 12:00:00',
               '2020-01-10 00:00:00'],
              dtype='datetime64[ns]', freq=None)

这里注意periods为时间点数，freq表示时间单位间隔

过滤时间点的方法，bdate_range()
bdate_range是一个类似与date_range的方法，特点在于可以在自带的工作日间隔设置上，再选择weekmask参数和holidays参数
它的freq中有一个特殊的’C’/‘CBM’/'CBMS’选项，表示定制，需要联合weekmask参数和holidays参数使用
例如现在需要将工作日中的周一、周二、周五3天保留，并将部分holidays剔除

weekmask = 'Mon Tue Fri'
holidays = [pd.Timestamp('2020/1/%s'%i) for i in range(7,13)]
#注意holidays
pd.bdate_range(start='2020-1-1',end='2020-1-15',freq='C',weekmask=weekmask,holidays=holidays)
Out[18]:
DatetimeIndex(['2020-01-03', '2020-01-06', '2020-01-13', '2020-01-14'], dtype='datetime64[ns]', freq='C')

holidays表示要跳过的时间点，weekmask表示保留的星期数，默认周一到周五保留。

• 给定一组非连续的日期，怎么快速找出位于其最大日期和最小日期之间，且没有出现在该组日期中的日期？
  
  最后，timestamp也可以使用max,min函数，获取最大日期与最小日期。