python-数据分析（12-时间序列）

Pandas

12 Pandas之时间序列

12.1 时间序列

时间序列前言
时间序列数据在很多领域都是重要的结构化数据形式，比如：金融，神经科学，生态学，物理学。在多个时间点观测的数据形成了时间序列。时间序列可以是固定频率的，也可以是不规则的。

常见使用

• 时间戳
• 固定的时间区间
• 时间间隔

 

12.2 时间序列基础

Pandas中的基础时间序列种类是由时间戳索引的Series，在Pandas外部通常表示为Python字符串或datetime对象。

注意

• datetime对象可作为索引，时间序列DatetimeIndex
• 时间序列里面每个元素为Timestamp对象
   
   
   
   

生成时间序列函数

• pd.date_range(start=None,end=None,periods=None,freq=None,tz=None,normalize=False)
  • start 起始时间
  • end 结束时间
  • periods 固定时期
  • freq 日期偏移量(频率)
  • normalize 标准化为0的时间戳
    
    
    
    

---

时间序列的索引及选择数据





含有重复索引的时间序列

• df.indexis_unique                      检查索引是否唯一

移位日期
"移位"指的是将日期按时间向前移动或向后移动。Series和DataFrame都有一个shift方法用于进行简单的前向或后向移位 而不改变索引

ts.shift(2)   # 向前移动

ts.shift(-2)  # 向后移动

12.3 重采样

重采样介绍
重采样：指的是将时间序列从一个频率转化为另一个频率进行处理的过程，将高频率数据转化为低频率数据为降采样，低频率转化为高频率为升采样

"""
升采样 低频->高频
"""
ts_tz=pd.DataFrame(np.random.randint(2000,5000,size=(4,4)),index=pd.date_range(start="20200101",freq="10D",periods=4),columns=["北","上","广","深"])
ts_tz

df =pd.DataFrame(np.random.randint(1000,4000,size=(4,4)),index=[20200101,20200102,20200103,20200104],columns=["北","上","广","深"])
df

该行索引类型并不是时间序列类型，所以我们想要使用时间序列的特性，就需要将其转为时间序列。通过 pd.to_datetime()，其中的format参数可以调试时间序列的格式，常用如下：

12.4 pandas绘图

Series跟DateFrame都有plot属性，用来绘制基本图形，默认情况下绘制的是折线图