Pandas之时间序列

1. Python自带的日期与时间工具

原生Python的日期和时间工具：datetime和dateutil
例：

from datetime import datetime
date = datetime(year=2019, month=9, day=1)
# date的type为datetime.datetime

# dateutil可以解析字符串格式的日期
from dateutil import parser
date = parser.parse("4th of July, 2019")

Python自带的datetime和dateutil属轻量级的，简单易用，但如果处理的时间数据量很大的时候，那么速度就会比较慢。

2. Pandas中的时间序列工具

Pandas所有关于日期和时间的处理方法全部都是通过Timestamp对象实现的基于numpy的特性使得其性能更高效。

import pandas as pd
date = pd.to_datetime("20190101")
#print(date)为Timestamp('2019-09-01 00:00:00')

dates=pd.to_datetime(["20190101","20190102","20190103","20190104"])
# dates是DatetimeIndex类型

# 任何DatetimeIndex类型都可以通过to_period()方法和一个频率代码转换成Periodindex类型。
dates.to_period('D')

# 当一个日期减去另一个日期，返回的结果是TimedeltaIndex类型
dates - dates[0]

最基础的日期/时间对象是Timestamp和DatetimeIndex，这两种对象可以直接使用，最常用的是方法是使用pd.to_datetime()，传入一个日期时返回一个Timestamp类型，传递一个时间序列返回一个DatetimeIndex类型。

为了能更便捷地创建有规律的时间序列，Pandas提供了一些方法：

• pd.date_range() 处理时间戳
• pd.period_range() 处理时间周期
• pd.timedelta_range() 处理时间间隔

import pandas as pd
dates1 = pd.date_range('20190101', '20190120')
# dates1是一个DatetimeIndex类型

dates2 = pd.date_range('20190101',periods=10)
# periods参数是周期，默认频率为 'D'

dates3 = pd.period_range('20190201',periods=10)
# dates2是PeriodIndex类型

dates4 = pd.timedelta_range(0,periods=10,freq='H')
# dates4是TimedeltaIndex类型

频率代码

代码	描述	代码	描述	代码	描述
D	天	B	天（仅含工作日）	MS	月初
W	周	BM	月末（仅含工作日）	BMS	月初(仅含工作日)
M	月末	BQ		QS
Q	季末	BA		BQS
A	年末	BH	（工作时间）	AS
H	时			BAS
T	分钟
S	秒
L	毫秒
U	微秒	N	纳秒

重新取样

处理时间序列数据时，经常需要按照新的频率（更高频率或更低频率）对数据进行重新取样。可以通过df.resample()或df.asfreq().

• df.resample() 是以数据累计为基础
• df.asfreq() 是以数据选择为基础

重新取样时产生缺失值可以使用method参数，method={‘bifill’ | ‘ffill’}

df.asfreq('A', method=ffill)

时间迁移

另一种常用的对时间序列操作是对数据按按时间进行迁移，Pandas提供df.shift()和df.tshift()两种方法

# 将数据向前推进100天
df.shift(100)
# 将时间索引值向前推进100天
df.tshift(100)

这类迁移方法的常见使用场景就是计算数据在不同时段的差异。

BianHua = 100 * (df.tshift(-365) / df )