【python数据分析】pandas库时间序列二

最新推荐文章于 2023-02-27 19:58:02 发布
最新推荐文章于 2023-02-27 19:58:02 发布
阅读量250 收藏
点赞数
分类专栏： python 文章标签： python 时间序列 重采样
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40027906/article/details/90382457
版权

1、重采样

# 重采样 resample()
import pandas as pd
import numpy as np
from datetime import datetime

rng = pd.date_range('20190101',periods = 12)
ts = pd.Series(np.arange(12),index = rng)
print(ts)

# 得到一个重采样构造器，频率为5天
ts_re = ts.resample('5D')
# 得到一个行的聚合后的Series，聚合方式为求和
ts_re2 = ts.resample('5D').sum()
print(ts_re)
print(ts_re2)

print('-------')
print(ts.resample('5D').mean(),'->求平均值')
print(ts.resample('5D').max(),'->求最大值')
print(ts.resample('5D').min(),'->求最小值')
print(ts.resample('5D').median(),'->求中间值')
print(ts.resample('5D').max(),'->求最大值')
print(ts.resample('5D').first(),'->求第一个值')
print(ts.resample('5D').last(),'->求最后一个值')
print(ts.resample('5D').ohlc(),'->OHLC重采样')
# OHLC:金融领域的时间序列聚合方式，open：开盘 heigh：最大值 low：最小值 close：收盘

--------------------------结果----------------------
2019-01-01     0
2019-01-02     1
2019-01-03     2
2019-01-04     3
2019-01-05     4
2019-01-06     5
2019-01-07     6
2019-01-08     7
2019-01-09     8
2019-01-10     9
2019-01-11    10
2019-01-12    11
Freq: D, dtype: int32
DatetimeIndexResampler [freq=<5 * Days>, axis=0, closed=left, label=left, convention=start, base=0]
2019-01-01    10
2019-01-06    35
2019-01-11    21
Freq: 5D, dtype: int32
-------
2019-01-01     2.0
2019-01-06     7.0
2019-01-11    10.5
Freq: 5D, dtype: float64 ->求平均值
2019-01-01     4
2019-01-06     9
2019-01-11    11
Freq: 5D, dtype: int32 ->求最大值
2019-01-01     0
2019-01-06     5
2019-01-11    10
Freq: 5D, dtype: int32 ->求最小值
2019-01-01     2.0
2019-01-06     7.0
2019-01-11    10.5
Freq: 5D, dtype: float64 ->求中间值
2019-01-01     4
2019-01-06     9
2019-01-11    11
Freq: 5D, dtype: int32 ->求最大值
2019-01-01     0
2019-01-06     5
2019-01-11    10
Freq: 5D, dtype: int32 ->求第一个值
2019-01-01     4
2019-01-06     9
2019-01-11    11
Freq: 5D, dtype: int32 ->求最后一个值
            open  high  low  close
2019-01-01     0     4    0      4
2019-01-06     5     9    5      9
2019-01-11    10    11   10     11 ->OHLC重采样

2、降采样，高频率转低频率

# 降采样 高频率转低频率

import pandas as pd
import numpy as np
from datetime import datetime

rng = pd.date_range('20190101',periods = 12)
ts = pd.Series(np.arange(12),index = rng)
print(ts)

# closed:个时间段那一段时闭合的，默认 左闭右闭
# left结果为：[1,2,3,4,5],[6,7,8,9,10],[11,12]
# right结果为：[1],[2,3,4,5,6],[7,8,9,10,11],[12]
print(ts.resample('5D',closed='left').sum())
print(ts.resample('5D',closed='right').sum())

-------------------结果-----------------------
2019-01-01     0
2019-01-02     1
2019-01-03     2
2019-01-04     3
2019-01-05     4
2019-01-06     5
2019-01-07     6
2019-01-08     7
2019-01-09     8
2019-01-10     9
2019-01-11    10
2019-01-12    11
Freq: D, dtype: int32
2019-01-01    10
2019-01-06    35
2019-01-11    21
Freq: 5D, dtype: int32
2018-12-27     0
2019-01-01    15
2019-01-06    40
2019-01-11    11
Freq: 5D, dtype: int32

2、升采样，低频转高频率

# 升采样 低频转高频率

import pandas as pd
import numpy as np
from datetime import datetime

rng = pd.date_range('20190101',periods = 3)
ts = pd.Series(np.arange(3),index = rng)
print(ts)

print(ts.resample('15T').asfreq())
print(ts.resample('15T').ffill())
print(ts.resample('15T').bfill())
# asfreq():不做填充，返回nan
# ffill():向上填充
# bfill：向下填充

-----------------------结果------------------
2019-01-01    0
2019-01-02    1
2019-01-03    2
Freq: D, dtype: int32
2019-01-01 00:00:00    0.0
2019-01-01 00:15:00    NaN
2019-01-01 00:30:00    NaN
2019-01-01 00:45:00    NaN
2019-01-01 01:00:00    NaN
2019-01-01 01:15:00    NaN
2019-01-01 01:30:00    NaN
2019-01-01 01:45:00    NaN
2019-01-01 02:00:00    NaN
2019-01-01 02:15:00    NaN
2019-01-01 02:30:00    NaN
2019-01-01 02:45:00    NaN
2019-01-01 03:00:00    NaN
2019-01-01 03:15:00    NaN
2019-01-01 03:30:00    NaN
2019-01-01 03:45:00    NaN
2019-01-01 04:00:00    NaN
2019-01-01 04:15:00    NaN
2019-01-01 04:30:00    NaN
2019-01-01 04:45:00    NaN
2019-01-01 05:00:00    NaN
2019-01-01 05:15:00    NaN
2019-01-01 05:30:00    NaN
2019-01-01 05:45:00    NaN
2019-01-01 06:00:00    NaN
2019-01-01 06:15:00    NaN
2019-01-01 06:30:00    NaN
2019-01-01 06:45:00    NaN
2019-01-01 07:00:00    NaN
2019-01-01 07:15:00    NaN
                      ... 
2019-01-02 16:45:00    NaN
2019-01-02 17:00:00    NaN
2019-01-02 17:15:00    NaN
2019-01-02 17:30:00    NaN
2019-01-02 17:45:00    NaN
2019-01-02 18:00:00    NaN
2019-01-02 18:15:00    NaN
2019-01-02 18:30:00    NaN
2019-01-02 18:45:00    NaN
2019-01-02 19:00:00    NaN
2019-01-02 19:15:00    NaN
2019-01-02 19:30:00    NaN
2019-01-02 19:45:00    NaN
2019-01-02 20:00:00    NaN
2019-01-02 20:15:00    NaN
2019-01-02 20:30:00    NaN
2019-01-02 20:45:00    NaN
2019-01-02 21:00:00    NaN
2019-01-02 21:15:00    NaN
2019-01-02 21:30:00    NaN
2019-01-02 21:45:00    NaN
2019-01-02 22:00:00    NaN
2019-01-02 22:15:00    NaN
2019-01-02 22:30:00    NaN
2019-01-02 22:45:00    NaN
2019-01-02 23:00:00    NaN
2019-01-02 23:15:00    NaN
2019-01-02 23:30:00    NaN
2019-01-02 23:45:00    NaN
2019-01-03 00:00:00    2.0
Freq: 15T, Length: 193, dtype: float64
2019-01-01 00:00:00    0
2019-01-01 00:15:00    0
2019-01-01 00:30:00    0
2019-01-01 00:45:00    0
2019-01-01 01:00:00    0
2019-01-01 01:15:00    0
2019-01-01 01:30:00    0
2019-01-01 01:45:00    0
2019-01-01 02:00:00    0
2019-01-01 02:15:00    0
2019-01-01 02:30:00    0
2019-01-01 02:45:00    0
2019-01-01 03:00:00    0
2019-01-01 03:15:00    0
2019-01-01 03:30:00    0
2019-01-01 03:45:00    0
2019-01-01 04:00:00    0
2019-01-01 04:15:00    0
2019-01-01 04:30:00    0
2019-01-01 04:45:00    0
2019-01-01 05:00:00    0
2019-01-01 05:15:00    0
2019-01-01 05:30:00    0
2019-01-01 05:45:00    0
2019-01-01 06:00:00    0
2019-01-01 06:15:00    0
2019-01-01 06:30:00    0
2019-01-01 06:45:00    0
2019-01-01 07:00:00    0
2019-01-01 07:15:00    0
                      ..
2019-01-02 16:45:00    1
2019-01-02 17:00:00    1
2019-01-02 17:15:00    1
2019-01-02 17:30:00    1
2019-01-02 17:45:00    1
2019-01-02 18:00:00    1
2019-01-02 18:15:00    1
2019-01-02 18:30:00    1
2019-01-02 18:45:00    1
2019-01-02 19:00:00    1
2019-01-02 19:15:00    1
2019-01-02 19:30:00    1
2019-01-02 19:45:00    1
2019-01-02 20:00:00    1
2019-01-02 20:15:00    1
2019-01-02 20:30:00    1
2019-01-02 20:45:00    1
2019-01-02 21:00:00    1
2019-01-02 21:15:00    1
2019-01-02 21:30:00    1
2019-01-02 21:45:00    1
2019-01-02 22:00:00    1
2019-01-02 22:15:00    1
2019-01-02 22:30:00    1
2019-01-02 22:45:00    1
2019-01-02 23:00:00    1
2019-01-02 23:15:00    1
2019-01-02 23:30:00    1
2019-01-02 23:45:00    1
2019-01-03 00:00:00    2
Freq: 15T, Length: 193, dtype: int32
2019-01-01 00:00:00    0
2019-01-01 00:15:00    1
2019-01-01 00:30:00    1
2019-01-01 00:45:00    1
2019-01-01 01:00:00    1
2019-01-01 01:15:00    1
2019-01-01 01:30:00    1
2019-01-01 01:45:00    1
2019-01-01 02:00:00    1
2019-01-01 02:15:00    1
2019-01-01 02:30:00    1
2019-01-01 02:45:00    1
2019-01-01 03:00:00    1
2019-01-01 03:15:00    1
2019-01-01 03:30:00    1
2019-01-01 03:45:00    1
2019-01-01 04:00:00    1
2019-01-01 04:15:00    1
2019-01-01 04:30:00    1
2019-01-01 04:45:00    1
2019-01-01 05:00:00    1
2019-01-01 05:15:00    1
2019-01-01 05:30:00    1
2019-01-01 05:45:00    1
2019-01-01 06:00:00    1
2019-01-01 06:15:00    1
2019-01-01 06:30:00    1
2019-01-01 06:45:00    1
2019-01-01 07:00:00    1
2019-01-01 07:15:00    1
                      ..
2019-01-02 16:45:00    2
2019-01-02 17:00:00    2
2019-01-02 17:15:00    2
2019-01-02 17:30:00    2
2019-01-02 17:45:00    2
2019-01-02 18:00:00    2
2019-01-02 18:15:00    2
2019-01-02 18:30:00    2
2019-01-02 18:45:00    2
2019-01-02 19:00:00    2
2019-01-02 19:15:00    2
2019-01-02 19:30:00    2
2019-01-02 19:45:00    2
2019-01-02 20:00:00    2
2019-01-02 20:15:00    2
2019-01-02 20:30:00    2
2019-01-02 20:45:00    2
2019-01-02 21:00:00    2
2019-01-02 21:15:00    2
2019-01-02 21:30:00    2
2019-01-02 21:45:00    2
2019-01-02 22:00:00    2
2019-01-02 22:15:00    2
2019-01-02 22:30:00    2
2019-01-02 22:45:00    2
2019-01-02 23:00:00    2
2019-01-02 23:15:00    2
2019-01-02 23:30:00    2
2019-01-02 23:45:00    2
2019-01-03 00:00:00    2
Freq: 15T, Length: 193, dtype: int32

 

aa啊呀
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python 数据分析&pandas基础.rar
03-24
Python数据分析与pandas库是现代数据科学领域中最常用和强大的工具之一。Pandas是一个开源的Python库，专门设计用于处理和分析结构化数据。它构建在NumPy之上，提供了高效的数据结构，如DataFrame和Series，使得数据...
Pandas统计分析下（日期数据处理、时间序列、降采样、升采样(resample)、Excel多表合并、股票行情数据分析、解决中文乱码）
Triumph19的博客
07-06 2756
Pandas统计分析
Pandas的时间序列数据-resample重采样（31）
qq_36622490的博客
09-15 1465
在pandas里对时序的频率的调整称之重新采样，即从一个时频调整为另一个时频的操作，可以借助resample的函数来完成。有upsampling和downsampling(高频变低频)两种。resample后的数据类型有类似'groupby'的接口函数可以调用得到相关数据信息。时序数据经resample后返回Resamper Object，而Resampler 是定义在pandas.core.resample模块里的一个类，可以通过dir查看该类的一些接口函数。 liao@liao:~/md$ pyth
【Pandas时间序列处理】Resample踩坑实录
weixin_45281950的博客
01-30 689
使用resample对一个含传感器id列的数据集进行重采样时遇到了无法保持id列不参与resample后的数学运算的问题，记录本人的尝试过程及最终解决方法。
Python数据分析（五）—— 一文搞懂Python时间序列
最新发布
聚集机器学习、信息安全
02-27 3215
时间序列（Time Series）是一种重要的结构化数据形式，本文详细介绍了使用Python对时间序列进行处理。
Pandas中resample方法详解，处理datetime 分时间段统计问题
a_2435542821的博客
08-01 8543
Pandas中的resample，重新采样，是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。 方法的格式是： DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention=‘start’,kind=None, loffset=No...
Python数据分析实践：时间序列new.pdf
06-14
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。 时间序列（Time series）数据是非常重要的数据类型，时间...
Python数据分析pandas模块用法实例详解
09-18
Python数据分析中的pandas模块是一个非常重要的工具，它构建在Numpy之上，提供了高效的数据处理能力。pandas的主要数据结构是Series和DataFrame，它们是进行数据分析的基础。 **Series** 是pandas的基本数据结构之...
python Pandas库基础分析之时间序列的处理详解
09-19
在Python数据分析领域，Pandas库扮演着至关重要的角色，尤其在处理时间序列数据时，它的功能强大且易于使用。本文将深入探讨Pandas库在时间序列处理方面的基础知识，包括生成日期序列、时间序列的索引操作以及时间...
pandas resample时间序列数据处理（时间序列归一化，对齐，映射，空值填充）
brytlevson的博客
08-17 3177
pandas时间序列数据处理（时间序列归一化，对齐，映射，空值填充） 实现功能 将下面的csv数据对应到每间隔五分钟的时间序列上保证数据完整 详细描述： 时间区间数据对应 主要是将把每五分钟区间内的数据对应到五分钟倍数的区间上：example 将0，1 ，2分钟数据对应到00：00， 将3， 4， 5到10分钟之间的数据，将5， 6 ，7分钟数据对应到第五分钟，将7， 8 ，9， 10， 11 12 分钟数据对应到第10分钟， 13， 14， 15， 16， 17对应到第15分钟 依此类推 原始数据
pandas resample重采样频率介绍 、附案例
zhangbw's blog
11-13 3818
文章目录一、函数简单介绍实例一：简单使用补充 ：常用聚合方法案列二：时间序列探索Apple公司股价数据参考链接 官方文档 ：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.resample.html 一、函数简单介绍 DataFrame.resample(rule, axis=0**,** closed=None**,** label=None**,** convention='start’, ki.
python datetime 加一个月_python时间模块：datetime
weixin_39519769的博客
11-23 1214
#datetime.date(), datetime.datetime(), datetime.timedelta()# datetime.date：date对象today = datetime.date.today()today,type(today)2017-12-26 str(today),type(str(today))[output]:2017-12-26 datetime.date(2...
Pandas时间序列：重采样及频率转换
bqw的博客
07-07 1万+
import pandas as pd import numpy as np 一、介绍 重采样(resampling)指的是将时间序列从一个频率转换到另一个频率的处理过程； 将高频率(间隔短)数据聚合到低频率(间隔长)称为降采样(downsampling)； 将低频率数据转换到高频率则称为升采样(unsampling)； 有些采样即不是降采样也不是升采样，例如将W-WED(每周三)转换为...
python resample函数_Pandas中resample方法详解
weixin_39897267的博客
12-22 2万+
Pandas中的resample，重新采样，是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。方法的格式是：DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start',kind=None, loffset=None...
Pandas中resample方法详解
热门推荐
weixin_40426830的博客
12-22 2万+
Pandas中resample方法详解 Pandas中的resample，重新采样，是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。重新取样时间序列数据。 方便的时间序列的频率转换和重采样方法。对象必须具有类似datetime的索引(DatetimeIndex、PeriodIndex或TimedeltaIndex)，或将类似datetime的值传递给on或level关键字。 DataFrame.resample(rule, axis=0, closed=None, la
pandas数据可视化（三）之时间重采样
bluewater的专栏
04-26 2647
pandas数据可视化（三）之时间重采样python+pandas生成指定日期和重采样 - CSDN博客  https://blog.csdn.net/LY_ysys629/article/details/73823803Pandas中resample方法详解 - CSDN博客  https://blog.csdn.net/wangshuang1631/article/details/523149...
python时间序列-----中篇---python进行数据分析 period 、timestamp、 periodindex、 date_range、 resample、 OHLC、
洪源的博客
10-22 1万+
目录 时期及其算数运算 时期的频率转换 按季度计算的时期频率 将Timestamp转换为Period(及其反向过程) 通过数组创建PeriodIndex 重采样及频率转换 降采样 OHLC重采样 通过groupby进行重采样 升采样和插值 通过时期进行重采样 时期及其算数运算 时期-period 表示的是时间区间，比如数日，数月，数季，数年等。 &gt;&gt;&gt...
python+pandas生成指定日期和重采样
三石
06-27 1万+
python pandas 指定范围日期生成、重采样以及频率转换
pandas常用函数
Jinlong_Xu的博客
03-31 2706
pandas常用函数                         import numpy as np   import pandas as pd   import matplotlib.pyplot as plt      ---------------numpy-----------------------   arr = np.array([1,2,3], dtype=np.float6
Python数据分析必备-Pandas库汉化手册.docx
10-30
在《Python数据分析必备-Pandas库汉化手册》中，Pandas是一个强大的开源数据分析工具，专为Python语言设计，它提供了一套高效且灵活的数据结构，使得数据处理、清洗、分析和可视化变得更为便捷。Pandas的核心是...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值