import datetime
# datetime模块，主要掌握：datetime.date(), datetime.datetime(), datetime.timedelta()
# 日期解析方法：parser.parse
d = datetime.date.today()
print(d, type(d))
print(str(d))
# datetime.date.today 返回今日
# 输出格式为 date类
d = datetime.date(2021, 10, 18)
print(d)
# (年，月，日) → 直接得到当时日期
# datetime.datetime：datetime对象
d = datetime.datetime.now()
print(d, type(d))
# .now()方法，输出当前时间
# 输出格式为 datetime类
t1 = datetime.datetime(2021, 10, 18)
t2 = datetime.datetime(2021, 10, 18, 17, 59)
print(t1, t2)
# (年，月，日，时，分，秒)，至少输入年月日
print(t2-t1, type(t2-t1))
# 相减得到时间差 —— timedelta
# datetime.timedelta：时间差
t1 = datetime.datetime(2021, 10, 18)
dt = datetime.timedelta(100)
print(t1 + dt)
print(t1 - dt)
dt2 = datetime.timedelta(100, 7200)
print(t1 + dt2)
# parser.parse：日期字符串转换
from dateutil.parser import parse
print(parse('2022, 12, 11'))
# 直接将str转化成datetime.datetime
print(parse('2000-1-1'),'\n',
parse('5/1/2014'),'\n',
parse('5/1/2014', dayfirst = True),'\n', # 国际通用格式中，日在月之前，可以通过dayfirst来设置
parse('22/1/2014'),'\n',
parse('Jan 31, 1997 10:45 PM'))
# 各种格式可以解析，但无法支持中文
import datetime
# 作业1：请调用datetime模块，输出以下时间信息
print(datetime.datetime.now())
print(datetime.datetime(2022, 10, 12, 10, 12))
print(datetime.datetime(2022, 10, 12))
# 作业2：请创建时间变量‘2000年5月1日’，求出1000天之后是哪年哪月哪日？
d = datetime.date(2000, 5, 1)
dt = datetime.timedelta(1000)
print(d + dt)
import datetime
import numpy as np
import pandas as pd
# 时刻数据代表时间点，是pandas的数据类型，是将值与时间点相关联的最基本类型的时间序列数据
# pandas.Timestamp()
d = pd.Timestamp('20020101')
print(d, type(d))
d = pd.Timestamp(datetime.datetime(2022, 9, 11, 17, 25))
print(d)
# 直接生成pandas的时刻数据 → 时间戳
# 数据类型为 pandas的Timestamp
# pd.to_datetime
from datetime import datetime
d = pd.to_datetime('20020101')
print(d, type(d))
d = pd.to_datetime(datetime(2022, 9, 11, 17, 25))
print(d, type(d))
# pd.to_datetime()：如果是单个时间数据，转换成pandas的时刻数据，数据类型为Timestamp
lst_date = ['2017-12-21', '2017-12-22', '2017-12-23']
print(pd.to_datetime(lst_date))
# 多个时间数据，将会转换为pandas的DatetimeIndex
# pd.to_datetime → 多个时间数据转换时间戳索引
print('--------------------------------------------------------')
date3 = ['2017-2-1','2017-2-2','2017-2-3','hello world!','2017-2-5','2017-2-6']
t3 = pd.to_datetime(date3, errors = 'ignore')
print(t3,type(t3))
# 当一组时间序列中夹杂其他格式数据，可用errors参数返回
# errors = 'ignore':不可解析时返回原始输入，这里就是直接生成一般数组
t4 = pd.to_datetime(date3, errors = 'coerce')
print(t4,type(t4))
# errors = 'coerce':不可扩展，缺失值返回NaT（Not a Time），结果认为DatetimeIndex
import numpy as np
import pandas as pd
import datetime
# 作业1：请通过迭代创建一个时间列表（如图，时间区间为任意一个月，这里可以用for语句），然后转化成DatetimeIndex，并print月中是多少号
arr = []
d = datetime.date(2022, 10, 1)
dt = datetime.timedelta(1)
for i in range(31):
arr.append(str(d))
d = d + dt
print(arr)
dr = pd.to_datetime(arr)
print(dr)
# 作业2：请如图创建一个包含时间日期的txt文件，通过open语句读取后转化成DatetimeIndex
arr = []
file_handle = open("c:\\lyz\\data.txt", mode="r")
lines = file_handle.readlines()
file_handle.close()
for line in lines:
words = line.split(',')
for word in words:
arr.append(word)
print(arr)
dr = pd.to_datetime(arr)
print(dr)
# 参考答案比我写的简洁，贴在下面
# 作业1
datelst = []
for i in range(1,32):
datelst.append('2017-12-%i' %i)
print('创建时间列表为：\n',datelst,'\n------')
t = pd.to_datetime(datelst)
print('转化成DatetimeIndex为：\n',t,'\n------')
n = (len(t) + 1)/2 - 1
print('月中日期为：\n',t[int(n)],'\n------')
# 作业2
f = open('C:/Users/Hjx/Desktop/date.txt','r')
s = f.readline()
datelst = s.split(',')
print('读取txt文件为：\n',datelst,'\n------')
t = pd.to_datetime(datelst)
print('转化成DatetimeIndex为：\n',t,'\n------')
import numpy as np
import pandas as pd
import datetime
# Pandas时间戳索引：DatetimeIndex
# 核心：pd.date_range()
# pd.DatetimeIndex()与TimeSeries时间序列
di = pd.DatetimeIndex(['12/1/2017','12/2/2017','12/3/2017','12/4/2017','12/5/2017'])
print(di, type(di))
print(di[0], type(di[0]))
# 直接生成时间戳索引，支持str、datetime.datetime
# 单个时间戳为Timestamp，多个时间戳为DatetimeIndex
ts = pd.Series(np.random.rand(len(di)), index=di)
print(ts, type(ts))
print(type(ts.index))
# 以DatetimeIndex为index的Series，为TimeSries，时间序列
# pd.date_range()-日期范围：生成日期范围
# 2种生成方式：①start + end； ②start/end + periods
# 默认频率：day
dr1 = pd.date_range('1/10/2022', '12/10/2022', normalize=True)
dr2 = pd.date_range(start='1/10/2022', periods=10)
dr3 = pd.date_range(end='12/10/2022', periods=10)
print(dr1, type(dr1))
print(dr2)
print(dr3)
dr4 = pd.date_range(start='10/12/2022 22:33', periods=10, name='hello', normalize=True)
print(dr4)
print('==========================================================================')
# normalize：时间参数值正则化到午夜时间戳（这里最后就直接变成0:00:00，并不是15:30:00）
# name：索引对象名称
print(pd.date_range(start='10/12/2022', end='10/22/2022'))
print(pd.date_range(start='10/12/2022', end='10/22/2022', closed='right'))
print(pd.date_range(start='10/12/2022', end='10/22/2022', closed='left'))
# closed：默认为None的情况下，左闭右闭，left则左闭右开，right则左开右闭
print('=======================================================')
print(pd.bdate_range(start='10/12/2022', end='10/22/2022'))
# pd.bdate_range()默认频率为工作日,b代表business，使用方法与pd.date_range相同
print(list(pd.date_range(start='10/12/2022', end='10/22/2022')))
# 直接转化为list，元素为Timestamp
print('===================================================================')
# pd.date_range()-日期范围：频率(1)
print(pd.date_range('2017/1/1','2017/1/4')) # 默认freq = 'D'：每日历日
print(pd.date_range('2017/1/1','2017/1/4', freq = 'B')) # B：每工作日
print(pd.date_range('2017/1/1','2017/1/2', freq = 'H')) # H：每小时
print(pd.date_range('2017/1/1 12:00','2017/1/1 12:10', freq = 'T')) # T/MIN：每分
print(pd.date_range('2017/1/1 12:00:00','2017/1/1 12:00:10', freq = 'S')) # S：每秒
print(pd.date_range('2017/1/1 12:00:00','2017/1/1 12:00:10', freq = 'L')) # L：每毫秒（千分之一秒）
print(pd.date_range('2017/1/1 12:00:00','2017/1/1 12:00:10', freq = 'U')) # U：每微秒（百万分之一秒）
print(pd.date_range('2017/1/1','2017/2/1', freq = 'W-MON'))
# W-MON：从指定星期几开始算起，每周
# 星期几缩写：MON/TUE/WED/THU/FRI/SAT/SUN
print(pd.date_range('2017/1/1','2017/5/1', freq = 'WOM-2MON'))
# WOM-2MON：每月的第几个星期几开始算，这里是每月第二个星期一
# pd.date_range()-日期范围：频率(2)
print(pd.date_range('2017','2018', freq = 'M'))
print(pd.date_range('2017','2020', freq = 'Q-DEC'))
print(pd.date_range('2017','2020', freq = 'A-DEC'))
print('------')
# M：每月最后一个日历日
# Q-月：指定月为季度末，每个季度末最后一月的最后一个日历日
# A-月：每年指定月份的最后一个日历日
# 月缩写：JAN/FEB/MAR/APR/MAY/JUN/JUL/AUG/SEP/OCT/NOV/DEC
# 所以Q-月只有三种情况：1-4-7-10,2-5-8-11,3-6-9-12
print(pd.date_range('2017','2018', freq = 'BM'))
print(pd.date_range('2017','2020', freq = 'BQ-DEC'))
print(pd.date_range('2017','2020', freq = 'BA-DEC'))
print('------')
# BM：每月最后一个工作日
# BQ-月：指定月为季度末，每个季度末最后一月的最后一个工作日
# BA-月：每年指定月份的最后一个工作日
print(pd.date_range('2017','2018', freq = 'MS'))
print(pd.date_range('2017','2020', freq = 'QS-DEC'))
print(pd.date_range('2017','2020', freq = 'AS-DEC'))
print('------')
# M：每月第一个日历日
# Q-月：指定月为季度末，每个季度末最后一月的第一个日历日
# A-月：每年指定月份的第一个日历日
print(pd.date_range('2017','2018', freq = 'BMS'))
print(pd.date_range('2017','2020', freq = 'BQS-DEC'))
print(pd.date_range('2017','2020', freq = 'BAS-DEC'))
print('------')
# BM：每月第一个工作日
# BQ-月：指定月为季度末，每个季度末最后一月的第一个工作日
# BA-月：每年指定月份的第一个工作日
# pd.date_range()-日期范围：复合频率
print(pd.date_range('2017/1/1','2017/2/1', freq = '7D')) # 7天
print(pd.date_range('2017/1/1','2017/1/2', freq = '2h30min')) # 2小时30分钟
print(pd.date_range('2017','2018', freq = '2M')) # 2月，每月最后一个日历日
# asfreq：时期频率转换
ts = pd.Series(np.random.rand(4), index=pd.date_range('10/11/2022', '10/14/2022'))
print(ts)
ts2 = ts.asfreq('3H', method='ffill')
print(ts2)
# 改变频率，这里是D改为4H
# method：插值模式，None不插值，ffill用之前值填充，bfill用之后值填充
print('----------------------------------------------------------------------')
ts = pd.Series(np.random.rand(4), index=pd.date_range('10/11/2022', '10/14/2022'))
print(ts)
print(ts.shift(2))
print(ts.shift(-2))
# 正数：数值后移（滞后）；负数：数值前移（超前）
print(ts/ts.shift(-1) -1)
# 计算变化百分比，这里计算：该时间戳与上一个时间戳相比，变化百分比
print(ts.shift(2, freq='D'))
print(ts.shift(2, freq='M'))
# 加上freq参数：对时间戳进行位移，而不是对数值进行位移
import numpy as np
import pandas as pd
# 作业1：请输出以下时间序列
ts = pd.Series(np.random.rand(5), pd.date_range('1/1/2017', '1/5/2017'))
print(ts)
print(pd.date_range('2017', '2017-12', freq='Q-JAN'))
ts2 = pd.Series(np.random.rand(4), pd.date_range('2017', '2017-12', freq='Q-JAN'))
print(ts2)
print(pd.date_range(start='12/1/2017', periods=4, freq='10T'))
dr = pd.DataFrame(np.random.rand(16).reshape(4, 4),
index=pd.date_range(start='12/1/2017', periods=4, freq='10T'),
columns=['value1', 'value2', 'value3', 'value4'])
print(dr)
# 作业2：按要求创建时间序列ts1，并转换成ts2
print(pd.date_range(start='5/1/2017 12:00', end='5/1/2017 12:40', freq='10T'))
ts = pd.Series(np.random.rand(5), index=pd.date_range(start='5/1/2017 12:00', end='5/1/2017 12:40', freq='10T'))
print(ts)
ts2 = ts.asfreq(freq='5T', method='ffill')
print(ts2)
import numpy as np
import pandas as pd
# 核心：pd.Period()
p = pd.Period('2022', freq='M')
print(p, type(p))
# 生成一个以2022-01开始，月为频率的时间构造器
# pd.Period()参数：一个时间戳 + freq 参数 → freq 用于指明该 period 的长度，时间戳则说明该 period 在时间轴上的位置
print(p + 1)
print(p - 2)
# pd.period_range()创建时期范围
pr = pd.period_range(start='10/13/2022', end='12/31/2022', freq='M')
print(pr)
ts = pd.Series(np.random.rand(len(pr)), index=pr)
print(ts, type(ts))
print(type(ts.index))
# 时间序列
# Period('2011', freq = 'A-DEC')可以看成多个时间期的时间段中的游标
# Timestamp表示一个时间戳，是一个时间截面；Period是一个时期，是一个时间段！！但两者作为index时区别不大
# asfreq：频率转换
p = pd.Period('2022', freq='A-DEC')
print(p, type(p))
print(p.asfreq('M', how='start'))
print(p.asfreq('D', how='end'))
# 通过.asfreq(freq, method=None, how=None)方法转换成别的频率
pr = pd.period_range('2021', '2022', freq='M')
print(pr)
ts = pd.Series(np.random.rand(len(pr)), index=pr)
print(ts)
ts = pd.Series(np.random.rand(len(pr)), index=pr.asfreq('D', how='start'))
print(ts)
print(ts.head())
# 时间戳与时期之间的转换：pd.to_period()、pd.to_timestamp()
dr = pd.date_range('1/1/2022', '1/1/2023', freq='M')
print(dr)
pr = pd.period_range('1/1/2022', '1/1/2023', freq='M')
print(pr)
ts = pd.Series(np.random.rand(len(dr)), index=dr)
print(ts)
print(ts.to_period())
# 每月最后一日，转化为每月
ts = pd.Series(np.random.rand(len(pr)), index=pr)
print(ts)
print(ts.to_timestamp())
# 每月，转化为每月第一天
import numpy as np
import pandas as pd
# 作业1：请输出以下时间序列，使用pd.period_range()
pr = pd.period_range('1/1/2022', periods=5, freq='M')
print(pr)
ts = pd.Series(np.random.rand(len(pr)), index=pr)
print(ts)
pr = pd.period_range('1/1/2022', periods=5, freq='2H')
ts = pd.Series(np.random.rand(len(pr)), index=pr)
print(ts)
import numpy as np
import pandas as pd
from datetime import datetime
# TimeSeries是Series的一个子类，所以Series索引及数据选取方面的方法基本一样
# 同时TimeSeries通过时间序列有更便捷的方法做索引和切片
dr = pd.date_range('2022/1', '2022/3', freq='D')
ts = pd.Series(np.random.rand(len(dr)), index=dr)
print(ts.head())
print(ts[0])
print(ts[:2])
# 基本下标位置索引
print(ts['20220102'])
print(ts['1/2/2022'])
print(ts[datetime(2022, 1, 2)])
# 时间序列标签索引，支持各种时间字符串，以及datetime.datetime
# 时间序列由于按照时间先后排序，故不用考虑顺序问题
# 索引方法同样适用于Dataframe
# 切片
rng = pd.date_range('2017/1','2017/3',freq = '12H')
ts = pd.Series(np.random.rand(len(rng)), index = rng)
print(ts['2017/1/5':'2017/1/10'])
print('-----')
# 和Series按照index索引原理一样，也是末端包含
print(ts['2017/2'])
# 传入月，直接得到一个切片
dr = pd.DatetimeIndex(['1/1/2015','1/2/2015','1/3/2015','1/4/2015','1/1/2015','1/2/2015'])
ts = pd.Series(np.random.rand(len(dr)), index=dr)
print(ts)
print('=======================')
print(ts.is_unique, ts.index.is_unique)
# index有重复，is_unique检查 → values唯一，index不唯一
print(ts['1/1/2015'])
# index有重复的将返回多个值
print(ts.groupby(level=0).mean())
# 通过groupby做分组，重复的值这里用平均值处理
import numpy as np
import pandas as pd
# 作业1：如图创建时间序列(10*3，值为0-100的随机数)，通过索引得到以下值
# ① 索引得到前4行的所有值
# ② 索引得到2017-12-4 12:00:00的数据
# ③ 索引得到2017-12-4 - 2017-12-5的数据
dr = pd.date_range(start='12/1/2017', freq='12H', periods=10)
print(dr)
df = pd.DataFrame(np.random.rand(len(dr) * 3).reshape(10, 3) * 100, index=dr, columns=['value1', 'value2', 'value3'])
print(df)
print(df.iloc[:4])
print(df.loc['2017-12-4 12'])
print(df.loc['2017-12-4 00': '2017-12-5 12'])
import numpy as np
import pandas as pd
# 将时间序列从一个频率转换为另一个频率的过程，且会有数据的结合
# 降采样：高频数据 → 低频数据，eg.以天为频率的数据转为以月为频率的数据
# 升采样：低频数据 → 高频数据，eg.以年为频率的数据转为以月为频率的数据
# 重采样：.resample()
# 创建一个以天为频率的TimeSeries，重采样为按2天为频率
dr = pd.date_range('20221013', periods=12)
print(dr)
ts = pd.Series(np.random.rand(len(dr)), index=dr)
s = ts.resample('2D')
print(s, type(s))
print(s.sum())
# ts.resample('5D')：得到一个重采样构建器，频率改为5天
# ts.resample('5D').sum():得到一个新的聚合后的Series，聚合方式为求和
# freq：重采样频率 → ts.resample('5D')
# .sum()：聚合方法
print(ts.resample('5D').mean(),'→ 求平均值\n')
print(ts.resample('5D').max(),'→ 求最大值\n')
print(ts.resample('5D').min(),'→ 求最小值\n')
print(ts.resample('5D').median(),'→ 求中值\n')
print(ts.resample('5D').first(),'→ 返回第一个值\n')
print(ts.resample('5D').last(),'→ 返回最后一个值\n')
print(ts.resample('5D').ohlc(),'→ OHLC重采样\n')
# OHLC:金融领域的时间序列聚合方式 → open开盘、high最大值、low最小值、close收盘
print('=========================================')
print(ts.resample('6D', closed='left').sum())
print(ts.resample('6D', closed='right').sum())
# closed：各时间段哪一端是闭合（即包含）的，默认 左闭右闭
# 详解：这里values为0-11，按照5D重采样 → [1,2,3,4,5],[6,7,8,9,10],[11,12]
# left指定间隔左边为结束 → [1,2,3,4,5],[6,7,8,9,10],[11,12]
# right指定间隔右边为结束 → [1],[2,3,4,5,6],[7,8,9,10,11],[12]
print(ts.resample('5D', label = 'left').sum(),'→ leftlabel\n')
print(ts.resample('5D', label = 'right').sum(),'→ rightlabel\n')
# label：聚合值的index，默认为取左
# 值采样认为默认（这里closed默认）
# 升采样及插值
print('=======================================================')
print(ts)
print(ts.resample('6H').asfreq())
print(ts.resample('6H').ffill())
print(ts.resample('6H').bfill())
# 低频转高频，主要是如何插值
# .asfreq()：不做填充，返回Nan
# .ffill()：向上填充
# .bfill()：向下填充
# 时期重采样 - Period
prng = pd.period_range('2016','2018',freq = 'M')
ts = pd.Series(np.arange(len(prng)), index = prng)
print(ts)
# 降采样会发生报错，需要将PeriodIndex转为DateTimeIndex
# IncompatibleFrequency: Frequency <MonthEnd> cannot be resampled to <3 * MonthEnds>, as they are not sub or super periods
ts.index = ts.index.astype('datetime64[ns]')
print(ts.resample('5M').sum()) # 降采样
print(ts.resample('15D').ffill()) # 升采样
import numpy as np
import pandas as pd
# 作业1：按要求创建时间序列ts1，通过降采样和升采样，转换成ts2，ts3
dr = pd.date_range('1/1/2022', periods=10)
print(dr)
ts = pd.Series(np.random.rand(len(dr)), index=dr)
print(ts)
print(ts.resample('3D').mean())
print(ts.resample('12H').ffill())
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
