《利用Python进行数据分析》 11.2时间序列基础

11.2 时间序列基础

---

1.pandas中的基础时间序列种类是由时间戳索引的Series，在pandas外部则通常表示为Python字符串或datetime对象（见图11-1）

图11-1：基础时间序列

注：ts[::2]会将ts中每隔一个的元素选择出来

2.时间戳的储存形式（见图11-2）

图11-2：时间戳的储存形式

注：所有使用datetime对象的地方都可以用Timestamp。此外，Timestamp还可以存储频率信息（如果有的话）并了解如何进行时区转换和其他类型操作

---

11.2.1 时间序列索引、选择、子集

---

1.基于标签索引选择

时间序列的行为和其他的pandas.Series类似（见图11-3）

图11-3：基于标签进行索引

2.长时间序列的选择

对一个长的时间序列，可以传递一个年份或一个年份和月份来轻松地选择数据的切片（见图11-4、11-5）

图11-4：长时间序列按年切片

图11-5：长时间序列按月份切片

3.使用datetime对象进行切片选择（见图11-6）

图11-6：使用Datetime对象进行切片选择

4.使用不包含在时间序列中的时间戳进行切片，以执行范围查询（见图11-7）

图11-7：使用时间戳切片

注：可以传递一个字符串的日期、datetime对象或者时间戳来进行切片，请记住通过这种方式的切片产生了原时间序列的视图，类似于NumPy的数组。这意味着没有数据被复制，并且在切片上的修改会反映在原始数据上。

5.使用truncate方法，在两个日期间对Series进行切片（见图11-8）

图11-8：truncate切片方法

6.对DataFrame对象进行操作，并在其行上进行索引（见图11-9）

图11-9：DataFrome 上进行操作

---

11.2.2 含有重复索引的时间序列索引

---

1.多个数据观察值落在特定的时间戳上（见图11-9）

图11-9：多个数据观察值落在特定的时间戳上

2.聚合含有非唯一时间戳的数据

方法：使用groupby并传递level=0（见图11-10）

图11-10：聚合含有非唯一值得时间戳数据

---