时间序列格式处理

        1.生成时间序列数据

pd.date_range('1/1/2020', periods=10, freq='D')

相关参数设置：
pd.date_range(
    start=None,
    end=None,
    periods=None,
    freq=None,
    tz=None,
    normalize=False,
    name=None,
    closed=None,
    **kwargs,
)  -> pandas.core.indexes.datetimes.DatetimeIndex
----------
start : 字符串或类日期，可选
    用于生成日期的左边界。
end : 字符串或类日期时间，可选
    生成日期的右界。
periods : int，可选
    要生成的周期数。
freq : 字符串或日期偏移，默认为 "D
    频率字符串可以是倍数，例如 "5H"。参见
    频率别名列表。
    频率别名列表。
tz : str 或 tzinfo，可选
    用于返回本地化 DatetimeIndex 的时区名称，例如
    亚洲/香港"。默认情况下，生成的 DatetimeIndex 是
    不受时区限制。
normalize : bool, 默认为 False
    在生成日期范围前将开始/结束日期归一化为午夜。
name：str，默认为无
    生成的 DatetimeIndex 的名称。
closed : {None, 'left', 'right'}, 可选
    根据给定的频率使时间间隔闭合到
    左"、"右 "或两边（默认为 None）。
**kwargs
    用于兼容。对结果无影响。

---

        2.升降序排列

df.sort_values('date', ascending=False)

将数据框按照date列降序排列，去掉ascending默认升序排列

        3.查询时间范围内数据

df.loc[(df['date'] >= '2024-01-01') & (df['date'] <= '2024-02-23')]

df.loc 是 Pandas 中用于基于标签进行索引和选择数据的方法。通过 df.loc，你可以按行标签和列标签来访问数据框中的特定行和列，以及对它们进行设置。、

        4.时间戳转换

from datetime import datetime

# 定义原始日期字符串
date_str = "20230310"

# 使用 strptime 函数将字符串解析为日期对象
date_obj = datetime.strptime(date_str, "%Y%m%d")
print(date_obj)

# 将日期对象格式化为需要的日期字符串格式
formatted_date = date_obj.strftime("%Y-%m-%d")

print(formatted_date)

        5.计算移动平均值

import pandas as pd

data = [10, 15, 20, 25, 30, 35, 40, 45, 50, 55]  # 时间序列数据
window_size = 3  # 移动平均窗口大小

# 将数据转为 Pandas 的 Series 对象
series = pd.Series(data)

# 计算移动平均值
moving_avg = series.rolling(window=window_size).mean()

print(moving_avg)