python数据分析与挖掘（二十九）--- Pandas量化--股票时间序列数据处理

最新推荐文章于 2021-01-17 11:18:46 发布

python爬虫人工智能大数据

最新推荐文章于 2021-01-17 11:18:46 发布

阅读量4.4k

点赞数 2

分类专栏： python 数据分析文章标签： python 数据分析

本文链接：https://blog.csdn.net/weixin_41666747/article/details/86682901

版权

本文详细介绍了Pandas库在处理时间序列数据时的各个方面，包括时间类型的转换、时间序列结构、时间序列分析，重点讲解了移动平均法及其不同分类，如简单移动平均线、加权移动平均线和指数移动平均线，并通过案例展示了如何计算和应用移动平均线进行股票数据分析。

摘要由CSDN通过智能技术生成

Python教程网：www.python88.cn

1 什么是时间序列

时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。

例如：某监控系统的折线图表，显示了请求次数和响应时间随时间的变化趋势

时间序列图

2 Pandas的时间类型

pd.to_datetime()：转换成pandas的时间类型 Timestamp('2018-03-02 00:00:00')

# pd将时间数据转换成pandas时间类型
# 1、填入时间的字符串，格式有几种, "2018-01-01" ，”01/02/2018“
pd.to_datetime("01/02/2017")

如果我们传入的是多个时间点，那么会是什么样的？

3 Pandas的时间序列类型

1 转换时间序列类型

from datetime import datetime
# 传入时间的列表
date1 = ["2017-01-01", "2017-02-01", "2017-03-01"]
pd.to_datetime(date1)

# 或者
date2 = [datetime(2018, 3, 1), datetime(2018, 3, 2), datetime(2018, 3, 3), datetime(2018, 3, 4), datetime(2018, 3, 5)]
date2 = pd.to_datetime(date2)

# 如果其中有空值
date3 = [datetime(2018, 3, 1), datetime(2018, 3, 2), np.nan, datetime(2018, 3, 4), datetime(2018, 3, 5)]
date3 = pd.to_datetime(date3)
# 结果会变成NaT类型
DatetimeIndex(['2018-03-01', '2018-03-02', 'NaT', '2018-03-04', '2018-03-05'], dtype='datetime64[ns]', freq=None)

2 Pandas的时间序列类型：DatetimeIndex

# DateTimeIndex
pd.to_datetime(date1)
DatetimeIndex(['2018-03-01', '2018-03-02', '2018-03-03', '2018-03-04',
               '2018-03-05'],
              dtype='datetime64[ns]', freq=None)

pd.to_datetime(date1).values

array(['2018-03-01T00:00:00.000000000', '2018-03-02T00:00:00.000000000',
       '2018-03-03T00:00:00.000000000', '2018-03-04T00:00:00.000000000',
       '2018-03-05T00:00:00.000000000'], dtype='datetime64[ns]')

我们也可以通过DatetimeIndex来转换