import pandas as pd
import numpy as np
# 实际应用中经常需要对时间进行一系列处理,Pandas 包含了许多关于时间序列的工具,使其非常适于处理时间序列
'''
numpy.random.randn(d0,d1,…,dn):
randn函数返回一个或一组样本,具有标准正态分布。
dn表格每个维度
返回值为指定维度的array
pandas.date_range()这个函数主要是返回固定频率的时间索引,
date_range中默认以天为频率,如果我们需要其他单位的频率必须用freq这个参数指定,并且可以是基础频率的倍数。
这里为根据开始时间和指定数量生成
'''
time = pd.Series(np.random.randn(8), index=pd.date_range('2018-06-01', periods=8))
print(pd.date_range('2018-06-01', periods=8))
print(time)
# 对于时间序列的数据,可灵活地通过时间范围对数据进行切片索引
print(time['2018-06-03'])
print(time['2018/06/03'])
print(time['2018-06-03':'2018-06-06'])
print(time['2018-06'])
# 对于带有重复索引的时间序列,可以通过groupby()对数据进行聚合
dates = pd.DatetimeIndex(['2018-06-06', '2018-06-07',
'2018-06-07','2018-06-07',
'2018-06-08','2018-06-09'])
print("dates:", dates)
time = pd.Series(np.arange(6),index=dates)
print(time)
# groupby():当分组对象(索引)是重复的时候[即日期可能是重复的], 那么level = 0则将索引是一样的分开了
print(time.groupby(level=0).sum())
pandas处理时间序列数据
最新推荐文章于 2023-02-21 17:45:15 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)