pandas 时间序列 之日期范围、频率及移动

生成日期范围 用到函数为 pandas.date_range ：
使用时有三种方法：

第一种传入 开始和结束时间：

index = pd.date_range('4/1/2012', '6/1/2012')  #默认按天计算
index

DatetimeIndex(['2012-05-13', '2012-05-14', '2012-05-15', '2012-05-16',
               '2012-05-17', '2012-05-18', '2012-05-19', '2012-05-20',
               '2012-05-21', '2012-05-22', '2012-05-23', '2012-05-24',
               '2012-05-25', '2012-05-26', '2012-05-27', '2012-05-28',
               '2012-05-29', '2012-05-30', '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

第二种 传入开始时间和 时间间隔

pd.date_range(start='4/1/2012', periods=20)

DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04',
               '2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08',
               '2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12',
               '2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16',
               '2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20'],
              dtype='datetime64[ns]', freq='D')

第三种 传入结束时间和时间间隔

pd.date_range(end='6/1/2012', periods=20)

DatetimeIndex(['2012-05-13', '2012-05-14', '2012-05-15', '2012-05-16',
               '2012-05-17', '2012-05-18', '2012-05-19', '2012-05-20',
               '2012-05-21', '2012-05-22', '2012-05-23', '2012-05-24',
               '2012-05-25', '2012-05-26', '2012-05-27', '2012-05-28',
               '2012-05-29', '2012-05-30', '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

如果需要一段时间中的特定频率的时间 比如每月最后一个工作日 可以传入 freq 参数

pd.date_range('1/1/2000', '12/1/2000', freq='BM')

DatetimeIndex(['2000-01-31', '2000-02-29', '2000-03-31', '2000-04-28',
               '2000-05-31', '2000-06-30', '2000-07-31', '2000-08-31',
               '2000-09-29', '2000-10-31', '2000-11-30'],
              dtype='datetime64[ns]', freq='BM')

 更多频率选项如下：

别名	偏移量类型	说明
D	Day	每日历日
B	BusinessDay	每工作日
H	Hour	每小时
T/min	Minute	每分
S	Second	每秒
L/ms	Million	每毫秒
U	Micro	每微妙
M	MonthEnd	每月最后一个日历日
BM	BusinessMonthEnd	每月最后一个工作日
MS	MonthBegin	每月第一个日历日
BMS	BusinessMonthBegin	每月第一个工作日
W-MON、W-TUE…	Week	从指定的星期几开始算起，每周
WOM-1MON、WOM-2MON…	WeekOfMonth	产生每月第一、二、三、四周的星期几，例如WOM-1MON表示每月的第一个星期一
Q-JAN、Q-FEB…	QuarterEnd	对于以指定月份（JAN、FEB、…、DEC）结束的年度，每季度的最后一月的最后一个日历日
BQ-JAN、BQ-FEB…	BusinessQuarterEnd	对于以指定月份（JAN、FEB、…、DEC）结束的年度，每季度的最后一月的最后一个工作日
QS-JAN、QS-FEB…	QuarterBegin	对于以指定月份（JAN、FEB、…、DEC）结束的年度，每季度的最后一月的第一个日历日
BQS-JAN、BQS-FEB…	BusinessQuarterBegin	对于以指定月份（JAN、FEB、…、DEC）结束的年度，每季度的最后一月的第一个工作日
A-JAN、A-FEB…	YearEnd	每年指定月份最后一个日历日
BA-JAN、BA-FEB…	BusinessYearEnd	每年指定月份最后一个工作日
AS-JAN、AS-FEB…	YearBegin	每月指定月份第一个日历日
BAS-JAN、BAS-FEB…	BusinessYearBegin	每月指定月份第一个工作日

如果我们传入的是一个带有时间戳的日期 但是希望产生得到的时间都被规范到午夜，可以传入 normalize 选项

pd.date_range('5/2/2012 12:56:31', periods=5, normalize=True)

DatetimeIndex(['2012-05-02', '2012-05-03', '2012-05-04', '2012-05-05',
               '2012-05-06'],
              dtype='datetime64[ns]', freq='D')

shifting 值得是沿着时间轴将数据迁移或者后移（索引不变）在计算百分比变化时候（ ts/ts.shift(1)-1 ）可以用到

ts = Series(np.random.randn(4),index=pd.date_range('1/1/2000', periods=4, freq='M'))
ts

2000-01-31   -0.189082
2000-02-29    0.149103
2000-03-31    0.619038
2000-04-30    0.666174
Freq: M, dtype: float64

ts.shift(2)

2000-01-31         NaN
2000-02-29         NaN
2000-03-31   -0.189082
2000-04-30    0.149103
Freq: M, dtype: float64


ts.shift(-2)

2000-01-31    0.619038
2000-02-29    0.666174
2000-03-31         NaN
2000-04-30         NaN
Freq: M, dtype: float64

如果这时候传入 freq 参数就会按频率移动  例如

ts.shift(2, freq='M')

2000-03-31   -0.209000
2000-04-30   -0.897647
2000-05-31   -0.562144
2000-06-30    0.171139
Freq: M, dtype: float64

pandas 的日期偏移量还可以用在datetime 或者 Timestamp 对象上：

from pandas.tseries.offsets import Day, MonthEnd
now = datetime(2011, 11, 17)
now + 3 * Day()

Timestamp('2011-11-20 00:00:00')

如果加的是锚点偏移量（比如 MonthEnd   当月月底） 第一次增量会将原日期向前滚动到符合频率规则的下一个日期：

now + MonthEnd()

Timestamp('2011-11-30 00:00:00')

通过锚点偏移量的rollforward 和rollback 方法，可以显式地将日期向前或者向后‘滚动’

offset = MonthEnd()
offset.rollforward(now)

Timestamp('2011-11-30 00:00:00')

这里还有个巧妙的用法，结合groupby 和滚动方法 ：

ts = Series(np.random.randn(20),
            index=pd.date_range('1/15/2000', periods=20, freq='4d'))
ts

2000-01-15   -0.254893
2000-01-19    1.720944
2000-01-23    0.813963
2000-01-27   -0.378527
2000-01-31    0.251629
2000-02-04   -1.539826
                ...   
2000-03-11    1.406805
2000-03-15   -1.528163
2000-03-19    0.659940
2000-03-23    0.575431
2000-03-27   -1.141056
2000-03-31    0.092857
Freq: 4D, Length: 20, dtype: float64

ts.groupby(offset.rollforward).mean()



2000-01-31    0.430623
2000-02-29   -0.644033
2000-03-31    0.226914
dtype: float64