pandas-时间序列与日期用法（二）

本节介绍时间戳

1.时间戳是最基本的时间序列数据，用于把数值与时点关联在一起。Pandas 对象通过时间戳调用时点数据。

2. 大多数情况下，用时间段改变变量更自然。Period 表示的时间段更直观，还可以用日期时间格式的字符串进行推断。 

3. Timestamp与Period可以用作索引。作为索引的 Timestamp 与 Period 列表则被强制转换为对应的 DatetimeIndex与PeriodIndex

 Pandas 可以识别这两种表现形式，并在两者之间进行转化。Pandas 后台用 Timestamp 实例代表时间戳，用 DatetimeIndex 实例代表时间戳序列。pandas 用 Period 对象表示符合规律的时间段标量值，用 PeriodIndex 表示时间段序列。未来版本将支持用任意起止时间实现不规律时间间隔

4. 转换时间戳

to_datetime 函数用于转换字符串、纪元式及混合的日期Series或日期列表。转换的是 Series 时，返回的是具有相同的索引的 Series，日期时间列表则会被转换为 DatetimeIndex

解析欧式日期（日-月-年），要用 dayfirst 关键字参数（但是没发现有什么区别）：

to_datetime 转换单个字符串时，返回的是单个 Timestamp。Timestamp 仅支持字符串输入，不支持 dayfirst、format 等字符串解析选项，如果要使用这些选项，就要用 to_datetime。 Pandas 还支持直接使用 DatetimeIndex 构建器：

创建 DatetimeIndex 时，传递字符串 infer 即可推断索引的频率。 5. 使用format提供格式参数

 要实现精准转换，除了传递 datetime 字符串，还要指定 format 参数，指定此参数还可以加速转换速度。

6. 用多列组合日期时间 

pandas 还可以把 DataFrame 里的整数或字符串列组合成 Timestamp Series。

pd.to_datetime 查找列名里日期时间组件的标准名称，包括：

• 必填：year、month、day
• 可选：hour、minute、second、millisecond、microsecond、nanosecond

 7. 无效数据

 不可解析时，默认值 errors='raise' 会触发错误：

errors='ignore' 返回原始输入： errors='coerce' 把无法解析的数据转换为 NaT，即不是时间（Not a Time）：

 8. 纪元时间戳

 pandas 支持把整数或浮点数纪元时间转换为 Timestamp 与 DatetimeIndex。鉴于 Timestamp 对象内部存储方式，这种转换的默认单位是纳秒。不过，一般都会用指定其它时间单位 unit 来存储纪元数据，纪元时间从 origin 参数指定的时点开始计算。

用带 tz 参数的纪元时间戳创建Timestamp或DatetimeIndex时，要先把纪元时间戳转化为 UTC，然后再把结果转换为指定时区。不过这种操作方式现在已经废弃了，对于其它时区 Wall Time 里的纪元时间戳，建议先把纪元时间戳转换为无时区时间戳，然后再把时区本地化 

9. 把时间戳转换为纪元 

 反转上述操作，把 Timestamp 转换为 unix 纪元：

首先与纪元开始时点（1970 年 1 月 1 日午夜，UTC）相减，然后以 1 秒为时间单位（unit='1s'）取底整除。 10. 应用 origin 参数

 origin 参数可以指定 DatetimeIndex 的备选开始时点。例如，把1960-01-01 作为开始日期：

默认值为 origin='unix'，即 1970-01-01 00:00:00，一般把这个时点称为 unix 纪元 或 POSIX 时间。 11. 生成时间戳范围

实际工作中，经常要生成含大量时间戳的超长索引，一个个输入时间戳又枯燥，又低效。如果时间戳是定频的，用 date_range()与 bdate_range()函数即可创建 DatetimeIndex。date_range 默认的频率是日历日，bdate_range 的默认频率是工作日：

 date_range、bdate_range 等便捷函数可以调用各种频率别名

 12. 时间戳的界限

Pandas 时间戳的最低单位为纳秒，64 位整数显示的时间跨度约为 584 年，这就是 Timestamp 的界限：