pandas時間序列操作方法

阿新 • • 發佈：2018-11-11

在pandas中擁有強大的時間序列操作方法。
直接上demo：

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
from datetime import datetime


np.random.seed(666)

# 生成時間物件
t1 = datetime(2009, 10, 1)
print(type(t1)) # 2009-10-01 00:00:00 type:<class 'datetime.datetime'>

date_list = [
    datetime(2018 
, 10, 1),
    datetime(2018, 10, 10),
    datetime(2019, 10, 1),
    datetime(2019, 10, 20),
    datetime(2019, 11, 1)
]

print(date_list)
# [datetime.datetime(2018, 10, 1, 0, 0), datetime.datetime(2018, 10, 10, 0, 0), datetime.datetime(2019, 10, 1, 0, 0), datetime.datetime(2019, 10, 20, 0, 0), datetime.datetime(2019, 11, 1, 0, 0)] 



s1 = Series(np.random.rand(5), index=date_list)
print(s1) # index 是 時間 物件
'''
2018-10-01    0.700437
2018-10-10    0.844187
2019-10-01    0.676514
2019-10-20    0.727858
2019-11-01    0.951458
dtype: float64
'''

# 直接按照索引進行訪問
print(s1[3]) # 0.7278580572480748

# 傳入時間物件訪問
print(s1[datetime(2019, 10, 20)]) # 0.7278580572480748

# 傳入字串 

print(s1['2019-10-20']) # 0.7278580572480748

# 傳入字串2
print(s1['20191020']) # 0.7278580572480748

# 單純寫 年 月， 可以得到該年月下的所有內容
print(s1['2019-10'])
'''
2019-10-01    0.676514
2019-10-20    0.727858
dtype: float64
'''
# 原理同上
print(s1['2019'])
'''
2019-10-01    0.676514
2019-10-20    0.727858
2019-11-01    0.951458
dtype: float64
'''

# date_range() 引數 start 開始時間， periods 間隔時間，freq 按照什麼間隔 d w 5h……
date_list_new = pd.date_range(start='2018-01-1', periods=50, freq='w')
print(type(date_list_new), date_list_new) # <class 'pandas.core.indexes.datetimes.DatetimeIndex'>
''' 一週 預設 從 週日 開始的， 如果需要更改，可以改變 freq='w-mon'
DatetimeIndex(['2018-01-07', '2018-01-14', '2018-01-21', '2018-01-28',
               '2018-02-04', '2018-02-11', '2018-02-18', '2018-02-25',
               '2018-03-04', '2018-03-11', '2018-03-18', '2018-03-25',
               '2018-04-01', '2018-04-08', '2018-04-15', '2018-04-22',
               '2018-04-29', '2018-05-06', '2018-05-13', '2018-05-20',
               '2018-05-27', '2018-06-03', '2018-06-10', '2018-06-17',
               '2018-06-24', '2018-07-01', '2018-07-08', '2018-07-15',
               '2018-07-22', '2018-07-29', '2018-08-05', '2018-08-12',
               '2018-08-19', '2018-08-26', '2018-09-02', '2018-09-09',
               '2018-09-16', '2018-09-23', '2018-09-30', '2018-10-07',
               '2018-10-14', '2018-10-21', '2018-10-28', '2018-11-04',
               '2018-11-11', '2018-11-18', '2018-11-25', '2018-12-02',
               '2018-12-09', '2018-12-16'],
              dtype='datetime64[ns]', freq='W-SUN')
'''

pandas時間序列操作方法

在pandas中擁有強大的時間序列操作方法。直接上demo： import numpy as np import pandas as pd from pandas import Series, DataFrame from datetime import datetime np

時間序列處理方法

code 相關 ima 數據讀取 pacf air 讀取 imp 數列時間序列處理方法 1、ARIMA模型ARIMA模型，是統計學中的常見對時間序列處理的模型，全稱為自回歸移動平均模型。ARIMA模型主要有p,d,q三個參數。 p--代表預測模型中采用的時序數據本身的滯

pandas時間序列滑窗

print 4.0 als 圖片技術分享驗證 mage num range 時間序列數據統計—滑動窗口窗口函數 import pandas as pd import numpy as np ser_obj = pd.Series(np.random.randn(10

pandas 時間序列

時間序列資料的意義取決於具體的應用場景，主要有以下幾種：時間戳(timestamp):特定的時刻。固定時期(period):如2017年1月或2018年全年時間間隔(interval):由起始和結束時間戳表示。時期(period)可以被看做間隔(interval)的特例。

python ---Pandas時間序列：生成指定範圍的日期

引入包 import pandas as pd import numpy as np 1.生成指定範圍的日期 print pd.date_range('11/1/2018','11/9/2018') 輸出： &n

Pandas時間序列：頻率和日期偏移量

import pandas as pd import numpy as np 一、介紹 pandas中的頻率是由一個基礎頻率(例如“日”、“月”)和一個乘陣列成。基礎頻率通常以一個字串別名表

Pandas時間序列處理

1、建立 from datetime import datetime import pandas as pd import numpy as np # 指定index為datetime的list date_list = [datetime(2018, 3

STL——以魯棒區域性加權迴歸作為平滑方法的時間序列分解方法

摘要 STL是一種把時間序列分解為趨勢項(trend component)、季節項(seasonal component)和餘項(remainder component)的過濾過程。 STL有一個簡單的設計，它包含了loess平滑法的一系列應用；這個簡單的設計允許對過程

pandas時間序列頻率處理

《Python for Data Analysis》生成日期範圍 pd.data_range() In [15]: rng = pd.date_range('2000-01-01', '2000-06-30', freq='BM') I

Python 時間序列化方法

import datetime import json from datetime import date class DateTimeEncoder(json.JSONEncoder): def default(self, obj): if is

用時間序列的方法處理資料

pandas 時間序列、繪圖、儲存檔案 date_range（）

pandas.date_range(start=None, end=None, periods=None, freq=’D’, tz=None, normalize=False, name=None, closed=None, **kwargs)引數start：string或

Pandas 時間序列資料繪製X軸主要刻度和次要刻度

先上效果圖吧（圖中Tue表示週二）： Pandas和matplotlib.dates都是使用matplotlib.units來定位刻度。 matplotlib.dates可以方便的手動設定刻

pandas的時間序列:日期操作、時間序列平滑

基礎操作 1）將“字元型別的日期列”轉化成“時間索引（DatetimeIndex）” u 首先，利用 pandas 的to_datetime 方法，把 "date" 列的字元型別資料解析成 datetime 物件。然後，把 "date" 列用作索引。 df['

OpenStack/Gnocchi簡介——時間序列數據聚合操作提前計算並存儲起來，先算後取的理念

完整其它度量標準過濾無法什麽規劃 med 表示先看下 http://www.cnblogs.com/bonelee/p/6236962.html 這裏對於環形數據庫的介紹，便於理解歸檔這個操作！轉自：http://blog.sina.com.cn/s/blo

時間序列連續多步預測方法

tps com 時間序列 rec output rect multiple 預測 learn https://machinelearningmastery.com/multi-step-time-series-forecasting/ Direct Multi-ste

Pandas常用操作方法

average datetime 整數 method min 有序 level skew 如果 Pandas pandas 是基於NumPy 的一種工具，該工具是為了解決數據分析任務而創建的。 Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型

JS對時間的一些操作方法

//當前時間要增加的秒數 date.AddSeconds(-1); Date.prototype.AddSeconds = function (Seconds){ var date = this; return new Dat

NLP之TFTS讀入資料：TF之TFTS讀入時間序列資料的幾種方法

NLP之TFTS讀入資料：TF之TFTS讀入時間序列資料的幾種方法 T1、從Numpy 陣列中讀入時間序列資料 1、設計思路 2、輸出結果 {'times': array([ 0, 1, 2, 3, 4, 5, 6, 7, 8,

金蝶盤點機PDA倉庫條碼管理家電類序列號掃描操作方法-採購入庫單

1.1. 採購入庫單傳統的進銷存管理軟體需要人工識別商品品種，清點商品數量，然後再去人工手工在電腦上一行行的錄入採購入庫單。錄單效率低，誤差大。如果使用漢碼盤點機PDA，入庫時，倉管員只需要手持PDA去入庫現場，將需要入庫的商品按照順序掃描條碼，即可自動生成採購入庫單，從而提高工作效率和資

pandas時間序列操作方法

相關推薦