利用Python进行数据分析笔记－时间序列(转换、索引、偏移)

时间序列指能在任何能在时间上观测到的数据。很多时间序列是有固定频率（fixed frequency）的，意思是数据点会遵照某种规律定期出现，比如每15秒，每5分钟，或每个月。时间序列也可能是不规律的（irregular），没有一个固定的时间规律。如何参照时间序列数据取决于我们要做什么样的应用，我们可能会遇到下面这些：

• Timestamps（时间戳），具体的某一个时刻
• Fixed periods（固定的时期），比如2007年的一月，或者2010年整整一年
• Intervals of time（时间间隔），通常有一个开始和结束的时间戳。Periods（时期）可能被看做是Intervals（间隔）的一种特殊形式。
• Experiment or elapsed time（实验或经过的时间）；每一个时间戳都是看做是一个特定的开始时间（例如，在放入烤箱后，曲奇饼的直径在每一秒的变化程度）

日期和时间数据类型及其工具

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

# 获取时间
now = datetime.now()
now

datetime.datetime(2018, 5, 10, 13, 31, 51, 898458)

print(now.year,'年')
print(now.month,'月')
print(now.day,'日')
print(now.minute,'分')
print(now.minute,'秒')

2018 年
5 月
10 日
31 分
31 秒

datetime能保存日期和时间到微妙级别。timedelta表示两个不同的datetime对象之间的时间上的不同：

# 时间对比
delta = datetime(2011, 1, 7) - datetime(2008, 6, 24, 8, 15)
delta

datetime.timedelta(926, 56700)

print('时间差多少天:',delta.days)
print('时间差多少秒:',delta.seconds)

时间差多少天: 926
时间差多少秒: 56700

我们可以在一个datetime对象上，添加或减少一个或多个timedelta，这样可以产生新的变化后的对象

from datetime import timedelta

start = datetime(2011, 1, 7)
start + timedelta(12)    # 加12天

datetime.datetime(2011, 1, 19, 0, 0)

start - 2 * timedelta(12)   # 减24天

datetime.datetime(2010, 12, 14, 0, 0)

下表汇总了一些datetime模块中的数据类型：

1、字符串与时间的转换

我们可以对datetime对象，以及pandas的Timestamp对象进行格式化，这部分之后会介绍，使用str或strftime方法，传入一个特定的时间格式就能进行转换：

# 时间转字符串
stamp = datetime(2011, 1, 3)
str(stamp)

'2011-01-03 00:00:00'

stamp.strftime('%Y-%m-%d')

'2011-01-03'

下表是关于日期时间类型的格式：

我们可以利用上面的format codes（格式码；时间日期格式）把字符串转换为日期，这要用到datetime.strptime:

# 字符串转时间
value = '2011-01-03'
datetime.strptime(value, '%Y-%m-%d')

datetime.datetime(2011, 1, 3, 0, 0)

datestrs = ['7/6/2011', '8/6/2011']
[datetime.strptime(x, '%m/%d/%Y') for x in datestrs]

[datetime.datetime(2011, 7, 6, 0, 0), datetime.datetime(2011, 8, 6, 0, 0)]

对于一个一直的时间格式，使用datetime.strptime来解析日期是很好的方法。但是，如果每次都要写格式的话很烦人，尤其是对于一些比较常见的格式。在这种情况下，我们可以使用第三方库dateutil中的parser.parse方法（这个库会在安装pandas的时候自动安装）<