pandas深化学习之时间序列索引

系列文章目录

pandas深化学习之索引
pandas深化学习之排序重塑
pandas深化学习之缺失值处理
pandas深化学习之字符串处理
pandas深化学习之数学运算
pandas深化学习之日期时间处理
pandas深化学习之重置索引、选择

---

---

前言

本文主要记录pandas中缺失值异常值相关的api使用：
通过对真实数据的一系列操作帮助我们熟练掌握相关api的使用。

---

提示：以下是本篇文章正文内容，下面案例可供参考

1.引入库

代码如下：

import pandas as pd
import numpy as np
from faker import Faker
import warnings
warnings.filterwarnings('ignore')

2.造数据

代码如下：

f =  Faker('ZH-cn')
peridx = pd.PeriodIndex(pd.date_range('20201001',periods=10,freq='D'))
df = pd.DataFrame(np.random.randint(1,100,(10,4)),index=peridx)

结果

---

3.数据基本信息查询

我们在理解DataFrame时要类比Excel表格，可以帮助我们更清晰的分析

在DataFrame中，我更倾向于叫一行为样本或者记录，叫一列为特征或者属性

df.info()

结果

4.时间序列索引相关api

• 转换为指定频率的时间序列索引

前缀

df.asfreq('Q')

结果

相关频率如下

B	工作日频率
C	自定义工作日频率
D	日历日频率
W	每周频率
M	月末频率
SM	半月（15日和月末）
BM	月末工作日
CBM	自定义月工作日结束频率
MS	月开始频率
SMS	半个月开始频率（第1和第15）
BMS	月工作日开始频率
CBMS	自定义月工作日开始频率
Q	季度
BQ	季度末
QS	季度初
BQS	季度工作日开始频率
A, Y	年终频率
BA, BY	年度工作日结束频率
AS, YS	年开始频率
BAS, BYS	年度工作日开始频率
BH	工作日时间频率
H	每小时频率
T, min	分钟频率
S	秒
L, ms	毫秒
U, us	微秒
N	纳秒

还可以在频率字母前加上数字，表示倍数

df.asfreq('30T')

结果

• 返回where条件之前非空的最后一行。

df.asof('2020-10-05 22:00')

结果

• 偏移

偏移方法并不是时间序列特有的方法，是DataFrame和Series的方法

df.shift(2,fill_value=0)

结果

如果没有指定fill_value，则会默认填充nan

df.shift(2)

• 切片偏移，不保留已偏移行或者列

df.slice_shift(3,axis=1)

结果

• 返回第一个非空值的索引。

df.first_valid_index()
# 结果
Period('2020-10-01', 'D')

• 返回最后一个非空值的索引。

df.last_valid_index()
# 结果
Period('2020-10-10', 'D')

• 重采样

重新采样时间序列数据，返回的是Sampler对象

可以使用聚合函数

df.resample('3D').max()

结果

• 将非时间序列索引转换成时间序列索引

df1 = pd.DataFrame(np.random.randint(1,100,(10,4)),
                   index=pd.date_range('20200101',freq='M',periods=10))

此时的索引是日期时间索引

df2 = df1.to_period()

此时查看基本信息可以发现已经转换成时间序列索引了

• 将时间序列索引转换成非时间序列索引

同样的我们也可以将时间序列索引转换成日期时间索引

df.to_timestamp()

结果

转换完成后，并不能直观的发现区别，但是我们可以通过查看基本信息，或者查看索引

peridx = df.to_timestamp().index

结果

• 时间序列索引的方法

时间序列索引可以使用日期时间类型的大部分方法和属性

# 天
peridx.day
# 星期
peridx.day_name()
# 季度
peridx.quarter
# 是否闰年
peridx.is_leap_year

其他方法不再演示，可以查看同系列的日期时间处理的文章。

总结

代码的功底都是通过不断的练习一步步积累起来的，和我一起学pandas吧！