轩小陌的Python笔记-Pandas时间序列与日期

Pandas时间序列与日期

一、时间构造函数

1.1 pandas构造时间的函数

pandas 中的 datetime() 与 python 的 datetime 模块使用方法是一致的。

now = datetime.datetime.now()
type(now)
>>输出结果：
datetime.datetime

now1 = pd.datetime.now()
type(now1)
>>输出结果：
datetime.datetime

now.date()
>>输出结果：
datetime.date(2022, 5, 5)

now.time()
>>输出结果：
datetime.time(17, 14, 28, 930559)

now.hour, now.day, now.year, now.month, now.second
>>输出结果：
(17, 5, 2022, 5, 28)

now.strftime('%Y-%m/%d')
>>输出结果：
'2022-05/05'

1.2 时间戳 pd.Timestamp 和时间段 pd.Period

• 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。不过，大多数情况下，用时间段改变时间变量更合适。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。

• 时间戳和时间段都可以与整数做加减运算，以freq指定的参数为单位，freq参数的可选字符串：

别名	偏移量类型	说明
D	Day	每日历日
B	BusinessDay	每工作日
H	Hour	每小时
T或min	Minute	每分
S	Second	每秒
L或ms	Milli	每毫秒（即每千分之一秒）
U	Micro	每微秒（即每百万分之一秒）
M	MonthEnd	每月最后一个日历日
BM	BusinessMonthEnd	每月最后一个工作日
MS	MonthBegin	每月第一个日历日
BMS	BusinessMonthBegin	每月第一个工作日

ts = pd.Timestamp('2022-01-01 11:13:19', freq='H')
>>输出结果：
Timestamp('2022-01-01 11:13:19', freq='H')

ts + 1
>>输出结果：
Timestamp('2022-01-01 12:13:19', freq='H')

ts1 = pd.Period('2011-01-01 11:13:19', freq='D')
>>输出结果：
Period('2011-01-01', 'D')

ts1 + 1
>>输出结果：
Period('2011-01-02', 'D')

• Timestamp 与 Period 可以用作索引。作为索引的 Timestamp 与 Period 列表会被强制转换为对应的 DatetimeIndex 与 PeriodIndex。

date = [pd.Timestamp('2015-05-01'), pd.Timestamp('2012-05-02'), pd.Timestamp('2012-05-03')]
ts = pd.Series(np.random.randn(3), index=date)
>>输出结果：
2015-05-01    0.388782
2012-05-02   -0.994027
2012-05-03    1.043194
dtype: float64

ts.index
>>输出结果：
DatetimeIndex(['2015-05-01', '2012-05-02', '2012-05-03'], dtype='datetime64[ns]', freq=None)

date1 = [pd.Period('2015-05-01'), pd.Period('2012-05-02'), pd.Period('2012-05-03')]
ts1 = pd.Series(np.random.randn(3), index=date1)
>>输出结果：
2015-05-01    1.616632
2012-05-02   -1.601359
2012-05-03   -1.353825
Freq: D, dtype: float64

ts1.index
>>输出结果：
PeriodIndex(['2015-05-01', '2012-05-02', '2012-05-03'], dtype='period[D]', freq='D')

1.3 构造时间序列date_range、bdate_range()

• 在实际工作中，经常要生成含大量时间戳的超长索引，如果一个一个输入时间戳会很低效
• 如果时间戳是定频的，用 date_range() 与 bdate_range() 函数即可创 DatetimeIndex
• date_range 默认的频率是日历日，bdate_range 的默认频率是工作日

# start:开始时间，end：结束时间，freq：生成时间间隔频率，name：时间序列的名称
pd.date_range(start='2008-01-01', end='2020-01-01', freq='2Y', name='时间')
>>输出结果：
DatetimeIndex(['2008-12-31', '2010-12-31', '2012-12-31', '2014-12-31', '2016-12-31', '2018-12-31'], dtype='datetime64[ns]', name='时间', freq='2A-DEC')

pd.bdate_range(start='2022-02-01', end='2022-02-16', freq='2B')
>>输出结果：
DatetimeIndex(['2022-02-01', '2022-02-03', '2022-02-07', '2022-02-09', '2022-02-11', '2022-02-15'], dtype='datetime64[ns]', freq='2B')

# periods：生成时间索引的数量
pd.bdate_range(start='2022-02-16' ,periods=5, freq='2B')
>>输出结果：
DatetimeIndex(['2022-02-16', '2022-02-18', '2022-02-22', '2022-02-24', '2022-02-28'], dtype='datetime64[ns]', freq='2B')

二、转换时间戳

2.1 to_datetime()

to_datetime：用于转换时间字符串、纪元式及混合的日期 、Series或日期列表

df = pd.DataFrame(pd.Series(data=['2005/11/23', 
                  '2010.12.31', 
                  'Jul, 31, 2009', 
                  '2010-01-10', 
                  'Aug-24-2019', 
                  'Feb 1 2020',
                  '01-14-2012',
                  None], name='时间'))
df['value'] = np.random.randint(0, 100, size=8)
>>输出结果：
	时间			value
0	2005/11/23	  24
1	2010.12.31	  12
2	Jul,31,2009	  15
3	2010-01-10	  55
4	Aug-24-2019	  67
5	Feb 1 2020	  5
6	01-14-2012	  59
7	None		  74

# 时间类型的字符串，可以直接用to_datetime函数转换成Timestamp类型，并且空值会自动被解析成NaT(时间空值)
df['时间'] =