python如何判断季度_python时间序列：季度时期频率

时间序列数据中，有一种在会计、金融等领域中常用等统计方法，也就是按季度对时间序列进行频率统计。python库pandas中提供快速完成该目标对方法。本文进行详细介绍，具体如下：

1.按季度计算的时期频率

季度型数据在会计、金融等领域中很常见。Pandas支持12种可能的季度型频率，即Q-JAN到Q-DEC：

(1)Period之间的算术

(2)period_range用于生成季度型范围

2.将Timestamp转换为Period（及其反向过程）

通过使用to_period方法，可以将由时间戳索引的Series和DataFrame对象转换为以时期索引：

(1)使用to_period方法

In [194]: pts=ts.to_period()

In [195]: pts

Out[195]:

2019-01 1.198952

2019-02 0.704858

2019-03 0.346402

Freq: M, dtype: float64

由于时期指的是非重叠时间区间，因此对于给定的频率，一个时间戳只能属于一个时期。新PeriodIndex的频率默认是从时间戳推断而来的，也可以指定任何别的频率。结果中允许存在重复时期：

In [196]: rng=pd.date_range('1/1/2019',periods=6,freq='D')

In [197]: rng

Out[197]:

DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',

'2019-01-05', '2019-01-06'],

dtype='datetime64[ns]', freq='D')

In [198]: ts2=Series(np.random.randn(6),index=rng)

In [199]: ts2.to_period('M')

Out[199]:

2019-01 -0.461028

2019-01 -1.328198

2019-01 0.976847

2019-01 -2.318017

2019-01 -0.913165

2019-01 0.113808

Freq: M, dtype: float64

(2)要转换为时间戳，使用to_timestamp

即可：

In [203]: pts=ts.to_period()

In [204]: pts

Out[204]:

2019-01 1.198952

2019-02 0.704858

2019-03 0.346402

Freq: M, dtype: float64

In [205]: pts.to_timestamp(how='end')

Out[205]:

2019-01-31 23:59:59.999999999 1.198952

2019-02-28 23:59:59.999999999 0.704858

2019-03-31 23:59:59.999999999 0.346402

Freq: M, dtype: float64

「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」

「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」