time，datetime模块时间序列讲解

1.time模块

• import time

1.时间戳 1970年1月1日0时0分0秒到现在时间偏移量

time.time()
>>1661825563.8726559

time.ctime(time.time())
>>'Tue Aug 30 10:39:32 2022'

2. 结构化时间当地时间

t = time.localtime(time.time())  # 本地时间
t
>>'2022-08-30 10:17:07'

• 获取年份

t.tm_year

• 8时开始

time.gmtime(time.time())    # 0 时区
>>time.struct_time(tm_year=2022, tm_mon=8, tm_mday=30, tm_hour=2, tm_min=37, tm_sec=24, tm_wday=1, tm_yday=242, tm_isdst=0)

• 格式化时间字符串

time.strftime("%Y-%m-%d %H:%M:%S",t)
>>'2022-08-30 10:17:07'

time.strptime('2021-12-10 21:24:22',"%Y-%m-%d %H:%M:%S")
>>time.struct_time(tm_year=2021, tm_mon=12, tm_mday=10, tm_hour=21, tm_min=24, tm_sec=22, tm_wday=4, tm_yday=344, tm_isdst=-1)

• 过滤掉该时间段之前的时间数据

time.truncate(before='2014-3-13')#3月13之前的都被过滤掉了
time.truncate(after='2014-3-13')#3月13之前的都被过滤掉了

3. 求时间差

start_time = '2021-8-27 0:00:00'
end_time = '2022-8-30 0:00:00'

start_time1 =  time.strptime(start_time,"%Y-%m-%d %H:%M:%S")
end_time1 =  time.strptime(end_time,"%Y-%m-%d %H:%M:%S")

t = time.mktime(end_time1) - time.mktime(start_time1)

t_data = time.gmtime(t)
t_data

"时间差是%s年%s月%s日,%s时%s分%s秒"%(t_data.tm_year-1970,t_data.tm_mon-1,t_data.tm_mday-1,t_data.tm_hour,t_data.tm_min,t_data.tm_sec)

• t_data是从1970.1.1到现在的时间差

2.datetime模块

• from datetime import datetime

1.当地时间

now = datetime.now()
now
>>datetime.datetime(2022, 8, 30, 11, 20, 36, 116742)

now.year,now.month,now.day
>>(2021, 12, 13)

2. 求时间差

• 1天， 68400秒

d = datetime(2021,12,10,20,0,0) - datetime(2021,12,9,1,0,0)
d
>>datetime.timedelta(1, 68400)

d.days,d.seconds
>>(1, 68400)

• from datetime import timedelta
• 现在时间加一天

start = datetime(2021,8,12)
start + timedelta(1,3600)
>>datetime.datetime(2021, 8, 13, 1, 0)

a = datetime.today()+timedelta(1)
c = a.strftime('%Y-%m-%d')
c
>> datetime.datetime(2022, 9, 30, 16, 0, 39, 725040)
>> '2022-10-01'

3. 将表格某一时间列转化为datetime对象

df['data_date'] = pd.to_datetime(df['data_date'])
df['月'] = df['data_date'].dt.month
<< 生成月份的列
df['日'] = df['data_date'].dt.year
<< 生成日的列

3.datetime 和字符串相互的转换

stamp = datetime(2021,8,12)
stamp
>>datetime.datetime(2021, 8, 12, 0, 0)

• datetime转换成字符串

str(stamp)

stamp.strftime("%Y-%m-%d %H:%M:%S")
>>'2021-08-12 00:00:00'

• 字符串转换成datetime

d = ['12/12/2021','1/1/2021']
d
>>['12/12/2021', '1/1/2021']

[datetime.strptime(i,"%m/%d/%Y") for i in d ]
>>[datetime.datetime(2021, 12, 12, 0, 0), datetime.datetime(2021, 1, 1, 0, 0)]

• 字符串转换成datetime
• from dateutil.parser import parse

parse('12/12/2021')
parse('2021-12-12')
parse('2021.12.12')
parse('2021 12 12')
>>datetime.datetime(2021, 12, 12, 0, 0)

4.时间序列

• 1.生成一个时间序列的Series对象以及DataFrame对象

import pandas as pd
import numpy as np
from datetime import datetime

dates = [datetime(2021,12,12),datetime(2021,12,13),datetime(2021,12,14),datetime(2021,12,15),datetime(2021,12,16)]
dates

>>[datetime.datetime(2021, 12, 12, 0, 0),
 datetime.datetime(2021, 12, 13, 0, 0),
 datetime.datetime(2021, 12, 14, 0, 0),
 datetime.datetime(2021, 12, 15, 0, 0),
 datetime.datetime(2021, 12, 16, 0, 0)]

# Series对象 
ts = pd.Series(np.random.randn(5),index=dates)
ts

>>2021-12-12   -0.564338
2021-12-13    1.199842
2021-12-14    2.512560
2021-12-15    0.739945
2021-12-16   -0.483202
dtype: float64

# DataFrame对象
a = pd.DataFrame({"zhi":ts})
a

>>	          zhi
2021-12-12	-0.564338
2021-12-13	1.199842
2021-12-14	2.512560
2021-12-15	0.739945
2021-12-16	-0.483202

• 取表格的索引值

a.index
ts.index
>>DatetimeIndex(['2021-12-12', '2021-12-13', '2021-12-14', '2021-12-15',
               '2021-12-16'],
              dtype='datetime64[ns]', freq=None)

• 取Series对象中的时间对应的数

ts['2021-12-12']
ts['2021 12 12']
ts['2021.12.12']
ts['2021/12/12']
>>-0.5168556782608846

• 生成1000天的日期

pd.date_range('2021/1/1',periods=1000)
>>DatetimeIndex(['2021-01-01', '2021-01-02', '2021-01-03', '2021-01-04',
               '2021-01-05', '2021-01-06', '2021-01-07', '2021-01-08',
               '2021-01-09', '2021-01-10',
               ...
               '2023-09-18', '2023-09-19', '2023-09-20', '2023-09-21',
               '2023-09-22', '2023-09-23', '2023-09-24', '2023-09-25',
               '2023-09-26', '2023-09-27'],
              dtype='datetime64[ns]', length=1000, freq='D')

• 生成1000天数据的对应值的表格

ts1 = pd.Series(np.random.randn(1000),index=pd.date_range('2021/1/1',periods=1000))
ts1

• 取2021年全年的数据

ts1['2021']

• 取2021年1月份的数据

ts['2021-01']

• 对2021年1月份所有值求和

ts1['2021-01'].sum()

• 查找2021/8/12到2021/8/19的所有数据

ts1['8/12/2021':'8/19/2021']   
>>2021-08-12   -1.154767
2021-08-13   -1.082007
2021-08-14    1.656297
2021-08-15   -0.363210
2021-08-16    0.085454
2021-08-17   -1.214048
2021-08-18   -0.674199
2021-08-19   -0.002772
Freq: D, dtype: float64

• 2021/6/1之前的所有数据

ts1.truncate(after='1/6/2021')
>>2021-01-01   -1.384203
2021-01-02   -1.717038
2021-01-03   -1.929252
2021-01-04    0.703907
2021-01-05   -0.150625
2021-01-06   -0.773766
Freq: D, dtype: float64

• 2023/7/8之后的所有数据

ts1.truncate(before='2023/7/8')

5.日期范围

• 起止日期到结束日期

index = pd.date_range('2021-01-01','2021-03-01')   # 起 止   日期
index

• 生成从前往后100天数据

pd.date_range('2021-01-01',periods=100)

• 生成从后往前100天数据

pd.date_range(end='2021-01-11',periods=100)

• 起止日期到结束日期中每3秒产生一条数据

pd.date_range('2021-08-01','2021-08-12',freq='3s')

• 每个月产生一条数据

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

6.重采样

• 重采样

t = pd.DataFrame(np.random.uniform(10,50,(100,1)),index=pd.date_range('20170101',periods=100))
t

• 统计每个月的数据之和

t.resample('M').sum()
>>
                 0
2017-01-31	957.657756
2017-02-28	837.778145
2017-03-31	851.612023
2017-04-30	308.126704

• 每10天数据之和

t.resample('10D').sum()

• 升采样

frame = pd.DataFrame(np.random.randn(2, 4),
                    index=pd.date_range('1/1/2000', periods=2,freq='W-WED'),
                    columns=['上海', '北京', '深圳', '广州'])
frame

• 把每天的数据都加上

frame.resample('D').asfreq()

• 向前填充

frame.resample('D').ffill()

• 向后填充

frame.resample('D').bfill()