時間序列的型別：

時間戳：具體的時刻

固定的時間區間：例如2007年的1月或整個2010年

時間間隔：由開始時間和結束時間表示，時間區間可以被認為是間隔的特殊情況

實驗時間和消耗時間：每個時間是相對於特定開始時間的時間的量度，（例如自從被放置在烤箱中每秒烘烤的餅乾的直徑）

日期和時間資料的型別及工具

datetime模組中的型別：

date   使用公曆日曆儲存日曆日期（年，月，日） 
time   將時間儲存為小時，分鐘，秒，微秒
datetime  儲存日期和時間
timedelta  表示兩個datetime值之間的差（如日，秒，微秒）
tzinfo  用於儲存時區資訊的基本型別

from datetime import datetime
now = datetime.now()
now.year  #當時年份
now.month  #當前月份
now.day  #當前天
now.time()  #當前時間
datetime.time(12,27,41,303676)

 兩個時間戳運算得到一個timedelta(時間差)型別

日期時間差 timedelta型別

from datetime import timedelta

start = datetime(2019,2,5)
start + timedelta(20)  #預設為天
datetime.datetime(2019,25,0)

字串和datetime互相轉換

date.strptime方法將字串轉換為時間

values = '2019-8-9'
datetime.strptime(values,'%Y-%m-%d')  #是在已知格式的前提下轉換日期的好方式
datetime.datetime(2019,8,9,0)

datestrs = ['2019-8-7','2019-8-9']
[datetime.strptime(values,'%Y-%m-%d') for values in datestrs]
[datetime.datetime(2019,7,0),datetime.datetime(2019,0)]

更為通用的日期轉換格式

from dateutil.parser import parse
parse(values)
datetime.datetime(2019,0)
parse('8,5,2018',dayfirst=True) #dayfirst引數 第一個元素是天
datetime.datetime(2018,0)

pd.to_datetime() 用於軸索引或DataFrame的列

pd.to_datetime(datestrs)
DatetimeIndex(['2019-08-07','2019-08-09'],dtype='datetime64[ns]',freq=None)

更為簡單的轉換

datetime(2019,1,1)
datetime.datetime(2019,0)

時間序列的算術運算（在日期上自動對齊）

index = pd.date_range('3/3/2018',periods=20)
ts = pd.Series(np.random.randn(20),index=index)
ts
2018-03-03 0.611591
2018-03-04 0.119168
2018-03-05 0.514390
2018-03-06 1.010600
2018-03-07 0.181763
2018-03-08 -0.290964
2018-03-09 0.252927
2018-03-10 -1.645692
2018-03-11 -0.500014
2018-03-12 -1.247355​

ts1 = ts[::2]
2018-03-03 0.611591
2018-03-05 0.514390
2018-03-07 0.181763
2018-03-09 0.252927
2018-03-11 -0.500014
2018-03-13 -0.122307
2018-03-15 0.361237
2018-03-17 -1.894853
2018-03-19 -1.608989
2018-03-21 1.274982
Freq: 2D,dtype: float64

ts + ts1
2018-03-03 1.223183
2018-03-04  NaN
2018-03-05 1.028781
2018-03-06  NaN
2018-03-07 0.363526
2018-03-08  NaN
2018-03-09 0.505853
2018-03-10  NaN
2018-03-11 -1.000028
2018-03-12  NaN
2018-03-13 -0.244613
2018-03-14  NaN
2018-03-15 0.722473
2018-03-16  NaN
2018-03-17 -3.789707
2018-03-18  NaN
2018-03-19 -3.217979
2018-03-20  NaN
2018-03-21 2.549963
2018-03-22  NaN

ts.index.dtype  #資料；型別在納秒級的解析度下儲存時間戳
dtype('<M8[ns]')

ts.index[0]  #datetimeindex中的標量值是一個時間戳（timestamp）
Timestamp('2018-03-03 00:00:00',freq='D')

時間序列的索引，選擇，子集

時間序列的索引

ts = pd.Series(np.random.randn(1000),index = pd.date_range('1/1/2016',periods=1000))

s['2018-6'] #時間序列的索引 也可用ts.loc[]
2018-06-01 1.371843
2018-06-02 -0.356041
2018-06-03 0.111452
2018-06-04 0.325222
2018-06-05 -0.863138
2018-06-06 -0.115909
2018-06-07 0.062894
2018-06-08 0.223712

時間序列的切片

ts['2018-9-23':]  #時間序列的切片
2018-09-23 0.005519
2018-09-24 -1.374038
2018-09-25 1.769112
2018-09-26 -0.000306
Freq: D,dtype: float64

ts.truncate(before='2018-9-24')  #使用truncate方法向後切片
2018-09-24 -1.374038
2018-09-25 1.769112
2018-09-26 -0.000306
Freq: D,dtype: float64

ts.truncate(after='2016-1-4')  #向前切片
2016-01-01 -1.776334
2016-01-02 -0.488550
2016-01-03 -1.299889
2016-01-04 -1.883413
Freq: D,dtype: float64

含有重複索引的時間序列的分組處理

index = pd.DatetimeIndex(['1/1/2017','1/1/2017','1/2/2017','1/3/2017'])
dup_ta = pd.Series(np.arange(4),index=index)
dup_ta
2017-01-01 0
2017-01-01 1
2017-01-02 2
2017-01-03 3
dtype: int32

dup_ta.groupby(level=0).mean()

以上這篇Pandas時間序列基礎詳解(轉換,索引,切片)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。