时间序列数据整理及日期分离（如何从datetime中分离week、星期等）——以Tushare的沪深三百数据为例

 问题：如何对datetime进行日期分离？例如，如果我希望知道星期几是否存在日历效应，那么该怎么做？（星期四最容易跌）

方式有很多种，我这里给出我觉得方便的两种：

我直接给出分离日期的部分代码：

这里面用到了一些lambda匿名函数，看起来比较装逼，但是实际上和另外一种方式是一样的（但是第二种方式无法提取星期几）

顺便提一嘴，对于pandas的dataframe来说，apply是比for循环要快的多的，而且看上去也简洁很多。

# 按照时间排序
df['trade_date'] = pd.to_datetime(df['trade_date'])  # 对str进行类型转换
df = df.sort_values('trade_date')

# 分离日期
df['year'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%Y'))
df['month'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%m'))
df['week'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%W'))
df['weekday'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%w'))
df['monthday'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%d'))

# 重设索引
df.set_index('trade_date', drop=True, inplace=True)

 第二种方式：

这种方式是从DatetimeIndex类型中直接提取的，简洁很多，但是也没有星期啥的的内容。

# 按照时间排序
df['trade_date'] = pd.to_datetime(df['trade_date'])
df = df.sort_values('trade_date')
# 重设索引
df.set_index('trade_date', drop=True, inplace=True)
# 分离日期
df['year'] = df.index.year
df['month'] = df.index.month
df['day'] = df.index.day

 最后完整代码附上，有兴趣的朋友可以自己运行一下（记得替换自己的Tushare平台的token）

import pandas as pd
from datetime import datetime
import tushare as ts


def set_tushare(token):
    ts.set_token(token)
    pro_ = ts.pro_api()
    return pro_


token = '你的Tushare代码'
pro_ = set_tushare(token)
df = pro_.index_daily(ts_code='000300.SH')
# 按照时间排序
df['trade_date'] = pd.to_datetime(df['trade_date'])
df = df.sort_values('trade_date')

# 分离日期
df['year'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%Y'))
df['month'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%m'))
df['week'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%W'))
df['weekday'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%w'))
df['monthday'] = df['trade_date'].apply(lambda x: datetime.strftime(x, '%d'))

# 重设索引
df.set_index('trade_date', drop=True, inplace=True)

# 查看涨跌情况在month的分布
df[['pct_chg', 'month']].groupby('month').mean().plot()
# 查看涨跌情况在weekday的分布
df[['pct_chg', 'weekday']].groupby('weekday').mean().plot()
# 查看涨跌情况在monthday的分布
df[['pct_chg', 'monthday']].groupby('monthday').mean().plot()

print(1)

“互联网精神”即：开放、平等、协作、快速、分享

对更多内容感兴趣欢迎关注我的个人公众号：梧承 Book House