python序列切片_Python--时间序列.s(索引、切片、重采样)

时间序列    索引 / 切片 / 重采样

时间序列  👉 索引

#示例数据

importnumpy as npimportpandas as pdimportdatetime

times= pd.date_range('2019-1-1',periods=10,freq='MS')

ps= pd.Series(np.random.rand(len(times)),index=times)#-----输出-----#

2019-01-01 0.374180

2019-02-01 0.354294

2019-03-01 0.098253

2019-04-01 0.509028

2019-05-01 0.943419

2019-06-01 0.619618

2019-07-01 0.736451

2019-08-01 0.695320

2019-09-01 0.607416

2019-10-01 0.506309Freq: MS, dtype: float64

索引 (整数索引,索引和列表一样没有区别。) ：

ps[0]

ps[::2]

ps[:3]

ps['2019']

ps['2019-1']#-----输出-----#

0.3741804976952492

2019-01-01 0.374180

2019-03-01 0.098253

2019-05-01 0.943419

2019-07-01 0.736451

2019-09-01 0.607416

2019-01-01 0.374180

2019-02-01 0.354294

2019-03-01 0.098253Freq: MS, dtype: float642019-01-01 0.374180

2019-02-01 0.354294

2019-03-01 0.098253

2019-04-01 0.509028

2019-05-01 0.943419

2019-06-01 0.619618

2019-07-01 0.736451

2019-08-01 0.695320

2019-09-01 0.607416

2019-10-01 0.506309Freq: MS, dtype: float642019-01-01 0.37418Freq: MS, dtype: float64

View Code

[datetime.datetime(2019,1,1)]#-----输出-----#

0.3741804976952492

👆 时间序列索引,支持各种字符串 及 datetime 对象

时间序列 👉 切片

ps['2019-1':'2019-5']

ps['2019-1':'2019-5':2]#-----输出-----#

2019-01-01 0.374180

2019-02-01 0.354294

2019-03-01 0.098253

2019-04-01 0.509028

2019-05-01 0.943419Freq: MS, dtype: float642019-01-01 0.374180

2019-03-01 0.098253

2019-05-01 0.943419Freq: 2MS, dtype: float64

👆 切片 和 Series索引标签切片原理一致,是一个闭区间,包头尾

重复索引的时间序列

tid = pd.DatetimeIndex(['2019-10-1','2019-10-2','2019-10-2','2019-10-4','2019-10-5','2019-10-6'])

ps= pd.Series(np.random.rand(len(tid)),index=tid)#-----输出-----#

2019-10-01 0.740345

2019-10-02 0.087693

2019-10-02 0.710417

2019-10-04 0.140575

2019-10-05 0.834221

2019-10-06 0.312474dtype: float64

👇 .is_unique ： 检查值是否唯一  // \\ .index.is_unique ： 检查索引是否唯一

ps.index.is_unique#-----输出----#

False

ps.is_unique#-----输出----#

True

# 如果索引值重复，则返回多个值 ,如下 ：

ps['2019-10-2']#-----输出-----#

2019-10-02 0.087693

2019-10-02 0.710417dtype: float64

时间序列 👉 重采样   .resample()

将时间序列从一个频率转换为另一个频率的过程

降采样 , 高频数据-->低频数据

升采样 , 低频数据-->高频数据

#示例数据

rs = pd.date_range('2019-1-1',periods=12,freq="MS")

ts= pd.Series(np.arange(len(rs)),index=rs)#-----输出-----#

2019-01-0102019-02-01 1

2019-03-01 2

2019-04-01 3

2019-05-01 4

2019-06-01 5

2019-07-01 6

2019-08-01 7

2019-09-01 8

2019-10-01 9

2019-11-01 10

2019-12-01 11Freq: MS, dtype: int32

每2个月进行值求和 :

ts = ts.resample('2MS').sum()#-----输出-----#

2019-01-01 1

2019-03-01 5

2019-05-01 9

2019-07-01 13

2019-09-01 17

2019-11-01 21Freq: 2MS, dtype: int32

##　　生成一个重采样的构建器 ,频率改为2MS 2个月初

#　　.sum()得到一个重新聚合后的Series,聚合方式时求和

#　　降采样,需要聚合

#　　mean()/ max()/min()/median() 中值/ first()/last() /ohlc() 重采样

#　　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

ts .resample('2MS',closed='right').sum() #每隔2行数据 , 下2个日期相加之和

ts.resample('2MS',closed='left').sum() #每隔2行数据,当前值+下一个值之和#具体作用 我是新手 我也不懂

#-----输出-----#

2018-11-0102019-01-01 3

2019-03-01 7

2019-05-01 11

2019-07-01 15

2019-09-01 19

2019-11-01 11Freq: 2MS, dtype: int322019-01-01 1

2019-03-01 5

2019-05-01 9

2019-07-01 13

2019-09-01 17

2019-11-01 21Freq: 2MS, dtype: int32

升采样 :

ts.resample('H')#生成一个重采样的构建器#从低频转高频,主要是如何插值

DatetimeIndexResampler [freq=, axis=0, closed=left, label=left, convention=start, base=0]

ts.resample('H').ffill() #.ffill() 向前填充

ts.resample('H').bfill() #.bfill() 向后填充

ts.resample('H').asfreq() #.asfreq() 不做填充 返回NaN

#值填充 数据太长了 , 不展示 #

时期的重采样 :

pp = pd.period_range('2018','2019',freq='M')

ts= pd.Series(np.arange(len(pp)),index=pp)#-----示例-----#

2018-0102018-02 1

2018-03 2

2018-04 3

2018-05 4

2018-06 5

2018-07 6

2018-08 7

2018-09 8

2018-10 9

2018-11 10

2018-12 11

2019-01 12Freq: M, dtype: int32

对于时期的降采样,目标频率要是原频率的超时期 :

ts.resample('Q').sum() #降采样

ts.resample('D').ffill() #升采样

运行结果 ：

2018Q1 32018Q2122018Q3212018Q4302019Q112Freq: Q-DEC, dtype: int322018-01-0102018-01-0202018-01-0302018-01-0402018-01-0502018-01-0602018-01-0702018-01-0802018-01-0902018-01-1002018-01-1102018-01-1202018-01-1302018-01-1402018-01-1502018-01-1602018-01-1702018-01-1802018-01-1902018-01-2002018-01-2102018-01-2202018-01-2302018-01-2402018-01-2502018-01-2602018-01-2702018-01-2802018-01-2902018-01-300

..2019-01-02 12

2019-01-03 12

2019-01-04 12

2019-01-05 12

2019-01-06 12

2019-01-07 12

2019-01-08 12

2019-01-09 12

2019-01-10 12

2019-01-11 12

2019-01-12 12

2019-01-13 12

2019-01-14 12

2019-01-15 12

2019-01-16 12

2019-01-17 12

2019-01-18 12

2019-01-19 12

2019-01-20 12

2019-01-21 12

2019-01-22 12

2019-01-23 12

2019-01-24 12

2019-01-25 12

2019-01-26 12

2019-01-27 12

2019-01-28 12

2019-01-29 12

2019-01-30 12

2019-01-31 12Freq: D, Length:396, dtype: int32

View Code

## 我也不懂，请自行 “百度” ##