pandas时间处理对象

引入datetime包 

import datetime

写入日期：

datetime.datetime.strptime('2001-01-01','%Y-%m-%d')

但是这种方法需要同时写出日期的格式，十分麻烦，有没有一种方法可以自动识别日期格式的呢？答案是有的。

引入 dateutil包：

import dateutil

写入日期：

 dateutil.parser.parse('2001-01-01')

甚至月份在前、月份是英文缩写都可以被识别：

dateutil.parser.parse('JAN-03-2001')

接下来是时间对象的生成：

使用pandas的date_range函数，最基本的两个参数是开始时间和结束时间：

pd.date_range('2000-01-01','2010-01-01')

生成从2000年1月1日到2010年1月1日中所有的日期对象。

加入periods参数，生成开始时间后一个周期内所有日期对象：

pd.date_range('2000-01-01',periods=30)

继续加入freq（频率）参数，无freq参数时默认值为D（天），W代表在范围内生成以周为频率的日期对象，H代表小时，B代表非工作日，W-MON代表周一，甚至3h1

0min也是可以的：

pd.date_range('2000-01-01',periods=30,freq='W')

pd.date_range('2000-01-01',periods=30,freq='H')

pd.date_range('2000-01-01',periods=30,freq='B')

pd.date_range('2000-01-01',periods=30,freq='W-MON')

将创建好的时间对象放进Series中：

sr = pd.Series(np.arange(100),index= pd.date_range('2023-01-01',periods=100))

接下来是时间对象的搜索：

搜索2023年2月的所有数据：

sr['2023-02']

还可以搜索范围日期：

sr['2023-02-01':'2023-03-02']

查看某个时间周期内的统计数据，如查看每月的销售额之和：

sr.resample('M').sum()

如查看每月的平均销售额：

sr.resample('M').mean()