pandas pivot 计算占比_pandas使用9：如何处理时间序列数据

最新推荐文章于 2024-08-23 16:34:06 发布

weixin_39525243

最新推荐文章于 2024-08-23 16:34:06 发布

阅读量430

点赞数

文章标签： pandas pivot 计算占比

本文链接：https://blog.csdn.net/weixin_39525243/article/details/111665942

版权

本文介绍了如何使用pandas处理时间序列数据，包括将datetime列转换为datetime类型，利用Timestamp对象获取时间信息，通过pivot函数变换数据布局，以及使用resample方法重采样数据。此外，还探讨了datetimeIndex的优势和时间序列的四个核心概念：日期时间、时间差、时间跨度和日期偏移量。

摘要由CSDN通过智能技术生成

如何处理时间序列数据？

import pandas as pd
import matplotlib.pyplot as plt

air_quality = pd.read_csv("data/air_quality_no2_long.csv")
air_quality = air_quality.rename(columns={
    "date.utc": "datetime"})
air_quality.head()

	city	country	datetime	location	parameter	value	unit
0	Paris	FR	2019-06-21 00:00:00+00:00	FR04014	no2	20.0	µg/m³
1	Paris	FR	2019-06-20 23:00:00+00:00	FR04014	no2	21.8	µg/m³
2	Paris	FR	2019-06-20 22:00:00+00:00	FR04014	no2	26.5	µg/m³
3	Paris	FR	2019-06-20 21:00:00+00:00	FR04014	no2	24.9	µg/m³
4	Paris	FR	2019-06-20 20:00:00+00:00	FR04014	no2	21.4	µg/m³

air_quality.city.unique()

array(['Paris', 'Antwerpen', 'London'], dtype=object)

使用pandas的datetime类型

1、我想把datetime列从文本转换成datetime类型

air_quality["datetime"] = pd.to_datetime(air_quality["datetime"])
air_quality["datetime"]

0      2019-06-21 00:00:00+00:00
1      2019-06-20 23:00:00+00:00
2      2019-06-20 22:00:00+00:00
3      2019-06-20 21:00:00+00:00
4      2019-06-20 20:00:00+00:00
                  ...
3442   2019-04-09 06:00:00+00:00
3443   2019-04-09 05:00:00+00:00
3444   2019-04-09 04:00:00+00:00
3445   2019-04-09 03:00:00+00:00
3446   2019-04-09 02:00:00+00:00
Name: datetime, Length: 3447, dtype: datetime64[ns, UTC]

datetime列的初始值是字符串，不支持任何datetime操作(例如，提取年份、星期等等)。通过应用to_datetime函数，pandas将解析字符串并将其转换为datetime(例如datetime64[ns, UTC])对象。在pandas中，我们称其datetime类型(由panda.Timestamp对象定义)，它类似于python标准库中的datetime.datetime对象。

由于很多数据集将日期时间信息包含在其中一列中，因此pandas输入函数，例如.read_csv()在读取数据时，可以使用parse_dates参数将列的列表作为Timestamp对象读取到日期列。Timestamp对象非常有用，它有很多有用的特性。

1.1、时间序列数据中的起始和终止日期