极简pandas库Time Series

Pandas是一个强大的Python数据分析工具库，它内置了用于处理和分析时间序列数据的模块pandas.tseries。这个模块提供了专门用于时间序列处理的类和函数，包括日期范围生成、频率转换、日期偏移量以及时间序列的移动窗口函数等。

架构

pandas.tseries模块的核心是Timestamp和Timedelta对象，分别表示时间点和时间差。除此之外，它还包括DateOffset对象用于表示时间偏移量，Period对象表示周期，以及Frequency对象表示时间频率。
模块还包含了Index对象，特别是 DatetimeIndex和PeriodIndex，它们分别是时间点和周期的索引类型，提供了快速的时间序列切片和索引能力。
此外，pandas.tseries提供了多种方法进行时间序列的频率转换、重采样、窗口函数计算等。

基本语法

1. 创建时间缺失值：pd.NaT
2. 创建周期：pd.Period('2023', freq='A')
3. 创建固定频率的时间周期序列：pd.period_range('2023-01', '2023-06', freq='M')
4. 创建时间差：pd.Timedelta('1 day')
5. 创建固定间隔的时间差序列：pd.timedelta_range(start='0 days', end='3 days', freq='1D')
6. 创建时间点：pd.Timestamp('2023-01-01')
7. 创建日期范围：pd.date_range(start='2023-01-01', end='2023-01-10')
8. 创建工作日时间点序列：pd.bdate_range(start='2023-01-01', end='2023-01-10')
9. 表示时间序列中的间隔：pd.Interval(left=0, right=10, closed='left')
10. 创建固定间隔的时间间隔序列：pd.interval_range(start=0, end=10, freq=2)
11. 表示时间序列中的日期偏移：pd.DateOffset(days=1)
12. 将数据转换为日期时间类型：pd.to_datetime("2023-01-01")
13. 将数据转换为时间差类型：pd.to_timedelta("1 days")

内容

1. NaT

简要: NaT 是 pandas 的 NaTType 对象，用于表示时间序列中的缺失或无效时间。
基本语法: pandas.NaT
内容: NaT 通常在时间序列操作中自动产生，例如在进行时间序列运算时遇到缺失值。
Code案例:

import pandas as pd
# 创建一个 NaT 对象
nat_value = pd.NaT
print(nat_value)

输出结果: NaT

2. Period

简要: Period 是 pandas 中的时间周期对象，通常用于表示财务季度、年度等。
基本语法: pandas.Period(value, freq)
内容: Period 对象由一个值和一个频率组成，频率定义了周期的长度和结束时间。
Code案例:

import pandas as pd
# 创建一个 Period 对象，表示 2023 年 1 月
period_obj = pd.Period('2023-01', 'M')