Python数据分析：时间序列分析——实际操作(一)

1.我们在引入库的时候，还需要用import datetime as dt引入datetime库，因为后面的操作很多都和日期有关，很有可能会用到和datetime有关的函数。

2.date_range()：可以指定开始时间与周期

• H:小时
• D：天
• M：月

3.pd.date_range("Y-M-D",periods=t,freq="kD")：生成开始时间为Y-M-D，周期为k天的t个日期，D也可以换成其他表示时间的字母。

4.pd.Series(np.random.randn(n),index=pd.date_range(dt.datetime(Y,M,D),periods=t))：生成以时间为索引的n个随机数。
除了可以进行索引，我们还可以对日期进行切片操作从而得到数据。
5.truncate()：过滤操作，参数可以为before=或after=，过滤掉参数所指定的日期之前或之后的数据，不包括参数内指定的数据。
6.pd.Timestamp()：指定时间戳。

7.pd.Timedelta("n days")：指定时间偏移量。
8.时间戳和时间区间还可以指定更多的细节。

9.resample()：数据重采样函数，可以后接一个函数求数据的统计量。
10.由于在升采样的过程中会出现空值，所以需要进行插值以填补空缺。

• ffill(n)：填充从前往后的n个空值，空值取前面的值。
• bfill(n)：填充从前往后的n个空值，空值取后面的值。
• interpolate()：线性取值。

11.df.rolling(window = n)：指定以n为周期的滑动窗口，所谓滑动窗口就是缩小数据所在的区间进而求得更为精确的统计量。
12.可以根据均值绘制出一个较为平稳的时间序列图像。

import pandas as pd
import numpy as np
import datetime as dt
import matplotlib.pyplot as plt
import matplotlib as mpl
import seaborn as sns
df_time = pd.Series(np.random.randn(600),index=pd.date_range("2018-1-1",periods=600,freq="D"))
r = df_time.rolling(window=10)
mean_r = df_time.rolling(window=10).mean()
fig = plt.figure(figsize=(15,5))
df_time.plot(style="c-.")
mean_r.plot(style="r-")