python pandas 時間序列數據

文章目錄

• 1. to_datetime() “字符串序列”轉時間序列
• 2. 使用datetime對象序列 得到時間序列數據
• 3. pd.date_range() 創建時間序列數據
• • 3.1 創建方法① 指定periods
  • 3.2 創建方法② 指定首位
  • 3.3 創建方法③ 指定頻率 freq
• 4.時間的 索引
• • 4.1 索引 取個別數據
  • 4.2 索引年份
  • 4.3 索引年月
• 6. 切片
• • 6.1 支持`[start:end:step]`切片
  • 6.2 切片(包含末端數據)
  • 6.3 通過切片修改數據
  • 6.4 truncate() 截斷函數
• 7. 時間序列中的空日期
• • 7.1 空值日期的形式
  • 7.2 判斷空值
• 7.3 去除空值日期數據
• 8. 時間排序
• • 8.1 正序
  • 8.2 倒序
• 9.日期 的 重復值
• • 9.1 判斷是否有重復值 is_unique屬性
  • 9.2 聚合
• 10. 前滯 與 後滯 shift()
• • 10.1 後滯
  • 10.2 前滯

ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ


꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ

import pandas as pd

1. to_datetime() “字符串序列”轉時間序列

使用to_datetime()方法可以將 字符串序列的數據轉化為 時間序列的索引，即 將數據轉化為時間序列數據。

dates1 = pd.to_datetime(['1/6/2022', '3/6/2022', '2/6/2022'])
print(dates1)

__

2. 使用datetime對象序列 得到時間序列數據

以datetime對象組成的序列作為Series或DataFrame的索引，則直接就是時間序列數據了，不再需要其他額外方法。

dates3 = [datetime(2022, 6, 1), datetime(2022, 6, 3), datetime(2022, 6, 4), datetime(2022, 6, 2), datetime(2022, 6, 5)]
s1 = pd.Series([2, 3, 5, 7, 9], index=dates3)
print(s1)
print("=============================================================")
print(s1.index)

3. pd.date_range() 創建時間序列數據

3.1 創建方法① 指定periods

date_range1 = pd.date_range('1/1/2022', periods=1000)
s2 = pd.Series(np.random.randn(1000), index=date_range1)
print(s2)

3.2 創建方法② 指定首位

date_range2 = pd.date_range('2022-2-1', '2022-3-1')
s2 = pd.Series(np.random.randn(len(date_range2)), index=date_range2)
print(s2)

3.3 創建方法③ 指定頻率 freq

常用的freq有:

示例如下：

date_range3 = pd.date_range('2022-06-01','2023-06-30',freq='3s')
s2 = pd.Series(np.random.randn(len(date_range3)), index=date_range3)
print(s2)

4.時間的 索引

4.1 索引 取個別數據

dates = [datetime(2022, 6, 1), datetime(2022, 6, 3), datetime(2022, 6, 4), datetime(2022, 6, 2), datetime(2022, 6, 5)]
s1 = pd.Series([2, 3, 5, 7, 9], index=dates)
print(s1['2022 06 02'])
print(s1['2022-06-02'])
print(s1['2022/06/02'])
print(s1['2022.06.02'])
print(s1['2022, 06, 02'])
print("===========================")
# 此種寫法取出來的不是一條數據，而是一個值。
print(s1[datetime(2022, 6, 2)])

4.2 索引年份

年份索引示例

s2 = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2022', periods=1000))
print(s2['2022'])

4.3 索引年月

s2 = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2022', periods=1000))
print(s2['2022-03'])

6. 切片

6.1 支持[start:end:step]切片

print(s1[::2])

6.2 切片(包含末端數據)

s2 = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2022', periods=1000))
print(s2['2022-03-19':'2022-04-02'])

6.3 通過切片修改數據

可以借助切片達到修改部分數據的目的，示例如下結果略。

s2 = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2022', periods=1000))
s2['2022-03-19':'2022-04-02'] = 1

6.4 truncate() 截斷函數

截去某日期後的數據

s2 = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2022', periods=1000))
print(s2.truncate(after='10/6/2023'))

截去某日期前的數據

s2 = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2022', periods=1000))
print(s2.truncate(before='10/6/2023'))

7. 時間序列中的空日期

7.1 空值日期的形式

dates2 = pd.to_datetime(['1/6/2022', '3/6/2022', '2/6/2022', None])
print(dates2)

如果原數據中存在空值 None，則在這裡被轉化為 NaT 的形式。

7.2 判斷空值

判斷是否為空值，isnull()方法 在時間序列索引中是可用的。

dates2 = pd.to_datetime(['1/6/2022', '3/6/2022', '2/6/2022', None])
print(pd.isnull(dates2))

7.3 去除空值日期數據

dates2 = pd.to_datetime(['1/6/2022', '3/6/2022', '2/6/2022', None])
print(dates2.dropna())

8. 時間排序

給時間排序

8.1 正序

dates3 = [datetime(2022, 6, 1), datetime(2022, 6, 3), datetime(2022, 6, 4), datetime(2022, 6, 2), datetime(2022, 6, 5)]
s1 = pd.Series([2, 3, 5, 7, 9], index=dates3)
print(s1.sort_index())

8.2 倒序

print(s1.sort_index(ascending=False))

9.日期 的 重復值

9.1 判斷是否有重復值 is_unique屬性

dates = pd.DatetimeIndex(['6/1/2022', '6/2/2022', '6/2/2022', '6/3/2022', '6/4/2022'])
s3 = pd.Series(['aaa', 'ccc', 'bbb', 'ddd', 'eee'], index=dates)
print(s3.index.is_unique)

打印出s3的is_unique屬性，值為Fasle，表明存在重復值。

9.2 聚合

存在大量重復索引時，也許適合做聚合。

以聚合計數為例。

print(s3.groupby(level=0).count())

10. 前滯 與 後滯 shift()

10.1 後滯

s4 = pd.Series(np.random.randn(4),index=pd.date_range('1/1/2022',periods=4,freq='M'))
print(s4.shift(2))

10.2 前滯

s4 = pd.Series(np.random.randn(4),index=pd.date_range('1/1/2022',periods=4,freq='M'))
print(s4.shift(-2))