dataframe转化为array_数据分析-pandas之DataFrame时间序列2

现在我们有2015到2017年25万条911的紧急电话的数据，请，如果我们还想统计出不同月份不同类型紧急电话的次数的变化情况，应该怎么做呢？

数据来源：
https://www.kaggle.com/mchirico/montcoalert/data

问题2:统计出911数据中不同月份电话次数的变化情况

不管在什么行业，时间序列都是一种非常重要的数据形式，很多统计数据以及数据的规律也都和时间序列有着非常重要的联系,而且在pandas中处理时间序列是非常简单

生成一段时间范围

pd.date_range(start=None, end=None, periods=None, freq='D')

start表示开始的时间, end表示结束的时间,,periods时间段, freq频率，比如按天，月，年划分

start和end以及freq配合能够生成start和end范围内以频率freq的一组时间索引

start和periods以及freq配合能够生成从start开始的频率为freq的periods个时间索引

freq的值

在DataFrame中使用时间序列

index=pd.date_range("20170101",periods=10)

df = pd.DataFrame(np.random.rand(10),index=index)

回到最开始的911数据的案例中，我们可以使用pandas提供的方法把时间字符串转化为时间序列

df["timeStamp"] = pd.to_datetime(df["timeStamp"],format="")

format参数大部分情况下可以不用写，但是对于pandas无法格式化的时间字符串，我们可以使用该参数，比如包含中文 参考:https://www.runoob.com/python3/python3-date-time.html

重采样

重采样：指的是将时间序列从一个频率转化为另一个频率进行处理的过程，将高频率数据转化为低频率数据为降采样，低频率转化为高频率为升采样

pandas提供了一个resample的方法来帮助我们实现频率转化

import pandas as pdimport numpy as npfrom matplotlib import pyplot as py#让head方法把所有列全部显示出来pd.set_option('display.max_columns', None)filepath="./911.csv"df=pd.read_csv(filepath)#时间字符串转化为时间序列df["timeStamp"] = pd.to_datetime(df["timeStamp"])#把时间戳当作索引df.set_index("timeStamp",inplace=True)# print(df)#按照月份分组聚合,再随便取一列结果count_month=df.resample("M").count()['title']print(count_month)#设置x,y轴的内容x=count_month.indexy=count_month.values#设计图片大小py.figure(figsize=(20,8),dpi=80)#绘图py.plot(range(len(x)),y)#刻度py.xticks(range(len(x)),x,rotation=45)#展示图形py.show()

结果显示的小时，分钟，秒时间，这不是我们想要的，那就要对x修改了

x=count_month.index代码后再加一行代码：x=[i.strftime('%Y%m%d') for i in x]，起到格式化的作用