Python学习教程(Python学习路线):Pandas库基础分析-详解时间序列的处理
在使用Python进行数据分析时,经常会遇到时间日期格式处理和转换,特别是分析和挖掘与时间相关的数据,比如量化交易就是从历史数据中寻找股价的变化规律。Python中自带的处理时间的模块有datetime,NumPy库也提供了相应的方法,Pandas作为Python环境下的数据分析库,更是提供了强大的日期数据处理的功能,是处理时间序列的利器。
1、生成日期序列
主要提供pd.data_range()和pd.period_range()两个方法,给定参数有起始时间、结束时间、生成时期的数目及时间频率(freq=‘M’月,‘D’天,‘W’,周,‘Y’年)等。
两种主要区别在于pd.date_range()生成的是DatetimeIndex格式的日期序列;pd.period_range()生成的是PeriodIndex格式的日期序列。
以下通过生成月时间序列和周时间序列来对比下:
date_rng = pd.date_range(‘2019-01-01‘, freq=‘M‘, periods=12)
print(f‘month date_range():
{date_rng}‘)
"""
date_range():
DatetimeIndex([‘2019-01-31‘, ‘2019-02-28‘, ‘2019-03-31‘, ‘2019-04-30‘,
‘2019-05-31‘, ‘2019-06-30‘, ‘2019-07-31‘, ‘2019-08-31‘,
‘2019-09-30‘, ‘2019-10-31‘, ‘2019-11-30‘, ‘2019-12-31‘],
dtype=‘datetime64[ns]‘, freq=‘M‘)
"""
period_rng = pd.period_range(‘2019/01/01‘, freq=‘M‘, periods=12)
print(f‘month period_range():
{period_rng}‘)
"""
period_range():
PeriodIndex([‘2019-01‘, ‘2019-02‘, ‘2019-03‘, ‘2019-04‘, ‘2019-05‘, ‘2019-06‘,
‘2019-07‘, ‘2019-08‘, ‘2019-09‘, ‘2019-10‘, ‘2019-11‘, ‘2019-12‘],
dtype=‘period[M]‘,