python索引区间_Pandas时间序列基础详解(转换,索引,切片)

时间序列的类型：

时间戳：具体的时刻

固定的时间区间：例如2007年的1月或整个2010年

时间间隔：由开始时间和结束时间表示，时间区间可以被认为是间隔的特殊情况

实验时间和消耗时间：每个时间是相对于特定开始时间的时间的量度，(例如自从被放置在烤箱中每秒烘烤的饼干的直径)

日期和时间数据的类型及工具

datetime模块中的类型：

date 使用公历日历存储日历日期(年，月，日)

time 将时间存储为小时，分钟，秒，微秒

datetime 存储日期和时间

timedelta 表示两个datetime值之间的差(如日，秒，微秒)

tzinfo 用于存储时区信息的基本类型

from datetime import datetime

now = datetime.now()

now.year #当时年份

now.month #当前月份

now.day #当前天

now.time() #当前时间

datetime.time(12, 27, 41, 303676)

两个时间戳运算得到一个timedelta(时间差)类型

日期时间差 timedelta类型

from datetime import timedelta

start = datetime(2019,2,5)

start + timedelta(20) #默认为天

datetime.datetime(2019, 2, 25, 0, 0)

字符串和datetime互相转换

date.strptime方法将字符串转换为时间

values = '2019-8-9'

datetime.strptime(values,'%Y-%m-%d') #是在已知格式的前提下转换日期的好方式

datetime.datetime(2019, 8, 9, 0, 0)

datestrs = ['2019-8-7','2019-8-9']

[datetime.strptime(values,'%Y-%m-%d') for values in datestrs]

[datetime.datetime(2019, 8, 7, 0, 0), datetime.datetime(2019, 8, 9, 0, 0)]

更为通用的日期转换格式

from dateutil.parser import parse

parse(values)

datetime.datetime(2019, 8, 9, 0, 0)

parse('8,5,2018',dayfirst=True) #dayfirst参数 第一个元素是天

datetime.datetime(2018, 5, 8, 0, 0)

pd.to_datetime() 用于轴索引或DataFrame的列

pd.to_datetime(datestrs)

DatetimeIndex(['2019-08-07', '2019-08-09'], dtype='datetime64[ns]', freq=None)

更为简单的转换

datetime(2019,1,1)

datetime.datetime(2019, 1, 1, 0, 0)

时间序列的算术运算(在日期上自动对齐)

index = pd.date_range('3/3/2018',periods=20)

ts = pd.Series(np.random.randn(20),index=index)

ts

2018-03-03 0.611591

2018-03-04 0.119168

2018-03-05 0.514390

2018-03-06 1.010600

2018-03-07 0.181763

2018-03-08 -0.290964

2018-03-09 0.252927

2018-03-10 -1.645692

2018-03-11 -0.500014

2018-03-12 -1.247355​

ts1 = ts[::2]

2018-03-03 0.611591

2018-03-05 0.514390

2018-03-07 0.181763

2018-03-09 0.252927

2018-03-11 -0.500014

2018-03-13 -0.122307

2018-03-15 0.361237

2018-03-17 -1.894853

2018-03-19 -1.608989

2018-03-21 1.274982

Freq: 2D, dtype: float64

ts + ts1

2018-03-03 1.223183

2018-03-04 NaN

2018-03-05 1.028781

2018-03-06 NaN

2018-03-07 0.363526

2018-03-08 NaN

2018-03-09 0.505853

2018-03-10 NaN

2018-03-11 -1.000028

2018-03-12 NaN

2018-03-13 -0.244613

2018-03-14 NaN

2018-03-15 0.722473

2018-03-16 NaN

2018-03-17 -3.789707

2018-03-18 NaN

2018-03-19 -3.217979

2018-03-20 NaN

2018-03-21 2.549963

2018-03-22 NaN

ts.index.dtype #数据；类型在纳秒级的分辨率下存储时间戳

dtype('

ts.index[0] #datetimeindex中的标量值是一个时间戳(timestamp)

Timestamp('2018-03-03 00:00:00', freq='D')

时间序列的索引，选择，子集

时间序列的索引

ts = pd.Series(np.random.randn(1000),index = pd.date_range('1/1/2016',periods=1000))

s['2018-6'] #时间序列的索引 也可用ts.loc[]

2018-06-01 1.371843

2018-06-02 -0.356041

2018-06-03 0.111452

2018-06-04 0.325222

2018-06-05 -0.863138

2018-06-06 -0.115909

2018-06-07 0.062894

2018-06-08 0.223712

时间序列的切片

ts['2018-9-23':] #时间序列的切片

2018-09-23 0.005519

2018-09-24 -1.374038

2018-09-25 1.769112

2018-09-26 -0.000306

Freq: D, dtype: float64

ts.truncate(before='2018-9-24') #使用truncate方法向后切片

2018-09-24 -1.374038

2018-09-25 1.769112

2018-09-26 -0.000306

Freq: D, dtype: float64

ts.truncate(after='2016-1-4') #向前切片

2016-01-01 -1.776334

2016-01-02 -0.488550

2016-01-03 -1.299889

2016-01-04 -1.883413

Freq: D, dtype: float64

含有重复索引的时间序列的分组处理

index = pd.DatetimeIndex(['1/1/2017','1/1/2017','1/2/2017','1/3/2017'])

dup_ta = pd.Series(np.arange(4),index=index)

dup_ta

2017-01-01 0

2017-01-01 1

2017-01-02 2

2017-01-03 3

dtype: int32

dup_ta.groupby(level=0).mean()

以上这篇Pandas时间序列基础详解(转换,索引,切片)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

本文标题: Pandas时间序列基础详解(转换,索引,切片)

本文地址: http://www.cppcns.com/jiaoben/python/301547.html