2. 程式人生 > >利用python進行資料分析-時間序列3

利用python進行資料分析-時間序列3

阿新 • • 發佈：2019-01-14
              AAPL   MSFT    XOM
2003-01-02    7.40  21.11  29.22
2003-01-03    7.45  21.14  29.24
2003-01-06    7.45  21.52  29.96
2003-01-07    7.43  21.93  28.95
2003-01-08    7.28  21.31  28.83
2003-01-09    7.34  21.93  29.44
2003-01-10    7.36  21.97  29.03
2003-01-13    7.32  22.16  28.91
2003-01-14    7.30  22.39  29.17
2003-01-15    7.22  22.11  28.77
2003-01-16    7.31  21.75  28.90
2003-01-17    7.05  20.22  28.60
2003-01-20    7.05  20.22  28.60
2003-01-21    7.01  20.17  27.94
2003-01-22    6.94  20.04  27.58
2003-01-23    7.09  20.54  27.52
2003-01-24    6.90  19.59  26.93
2003-01-27    7.07  19.32  26.21
2003-01-28    7.29  19.18  26.90
2003-01-29    7.47  19.61  27.88
2003-01-30    7.16  18.95  27.37
2003-01-31    7.18  18.65  28.13
2003-02-03    7.33  19.08  28.52
2003-02-04    7.30  18.59  28.52
2003-02-05    7.22  18.45  28.11
2003-02-06    7.22  18.63  27.87
2003-02-07    7.07  18.30  27.66
2003-02-10    7.18  18.62  27.87
2003-02-11    7.18  18.25  27.67
2003-02-12    7.20  18.25  27.12
           ...    ...    ...
2011-09-05  374.05  25.80  72.14
2011-09-06  379.74  25.51  71.15
2011-09-07  383.93  26.00  73.65
2011-09-08  384.14  26.22  72.82
2011-09-09  377.48  25.74  71.01
2011-09-12  379.94  25.89  71.84
2011-09-13  384.62  26.04  71.65
2011-09-14  389.30  26.50  72.64
2011-09-15  392.96  26.99  74.01
2011-09-16  400.50  27.12  74.55
2011-09-19  411.63  27.21  73.70
2011-09-20  413.45  26.98  74.01
2011-09-21  412.14  25.99  71.97
2011-09-22  401.82  25.06  69.24
2011-09-23  404.30  25.06  69.31
2011-09-26  403.17  25.44  71.72
2011-09-27  399.26  25.67  72.91
2011-09-28  397.01  25.58  72.07
2011-09-29  390.57  25.45  73.88
2011-09-30  381.32  24.89  72.63
2011-10-03  374.60  24.53  71.15
2011-10-04  372.50  25.34  72.83
2011-10-05  378.25  25.89  73.95
2011-10-06  377.37  26.34  73.89
2011-10-07  369.80  26.25  73.56
2011-10-10  388.81  26.94  76.28
2011-10-11  400.29  27.00  76.27
2011-10-12  402.19  26.96  77.16
2011-10-13  408.43  27.18  76.37
2011-10-14  422.00  27.27  78.11

[2292 rows x 3 columns]

runfile('F:/python程式碼/shuju/date4.py', wdir='F:/python程式碼/shuju')
              AAPL   MSFT    XOM
2003-01-02    7.40  21.11  29.22
2003-01-03    7.45  21.14  29.24
2003-01-06    7.45  21.52  29.96
2003-01-07    7.43  21.93  28.95
2003-01-08    7.28  21.31  28.83
2003-01-09    7.34  21.93  29.44
2003-01-10    7.36  21.97  29.03
2003-01-13    7.32  22.16  28.91
2003-01-14    7.30  22.39  29.17
2003-01-15    7.22  22.11  28.77
2003-01-16    7.31  21.75  28.90
2003-01-17    7.05  20.22  28.60
2003-01-20    7.05  20.22  28.60
2003-01-21    7.01  20.17  27.94
2003-01-22    6.94  20.04  27.58
2003-01-23    7.09  20.54  27.52
2003-01-24    6.90  19.59  26.93
2003-01-27    7.07  19.32  26.21
2003-01-28    7.29  19.18  26.90
2003-01-29    7.47  19.61  27.88
2003-01-30    7.16  18.95  27.37
2003-01-31    7.18  18.65  28.13
2003-02-03    7.33  19.08  28.52
2003-02-04    7.30  18.59  28.52
2003-02-05    7.22  18.45  28.11
2003-02-06    7.22  18.63  27.87
2003-02-07    7.07  18.30  27.66
2003-02-10    7.18  18.62  27.87
2003-02-11    7.18  18.25  27.67
2003-02-12    7.20  18.25  27.12
           ...    ...    ...
2011-09-05  374.05  25.80  72.14
2011-09-06  379.74  25.51  71.15
2011-09-07  383.93  26.00  73.65
2011-09-08  384.14  26.22  72.82
2011-09-09  377.48  25.74  71.01
2011-09-12  379.94  25.89  71.84
2011-09-13  384.62  26.04  71.65
2011-09-14  389.30  26.50  72.64
2011-09-15  392.96  26.99  74.01
2011-09-16  400.50  27.12  74.55
2011-09-19  411.63  27.21  73.70
2011-09-20  413.45  26.98  74.01
2011-09-21  412.14  25.99  71.97
2011-09-22  401.82  25.06  69.24
2011-09-23  404.30  25.06  69.31
2011-09-26  403.17  25.44  71.72
2011-09-27  399.26  25.67  72.91
2011-09-28  397.01  25.58  72.07
2011-09-29  390.57  25.45  73.88
2011-09-30  381.32  24.89  72.63
2011-10-03  374.60  24.53  71.15
2011-10-04  372.50  25.34  72.83
2011-10-05  378.25  25.89  73.95
2011-10-06  377.37  26.34  73.89
2011-10-07  369.80  26.25  73.56
2011-10-10  388.81  26.94  76.28
2011-10-11  400.29  27.00  76.27
2011-10-12  402.19  26.96  77.16
2011-10-13  408.43  27.18  76.37
2011-10-14  422.00  27.27  78.11

[2292 rows x 3 columns]

相關推薦

利用python進行資料分析-時間序列3

              AAPL   MSFT    XOM 2003-01-02    7.40  21.11  29.22 2003-01-03    7.45  21.14  29.24 2003-01-06    7.45  21.52  29.96 2003-01-07    7.43  21.

搜博主文章 利用Python進行資料分析——時間序列

最常見的時間序列具有如下特徵： - 時間戳，時間的例項 - 有固定的時間間隔，一天，一小時或一分鐘 - 有起止點 import numpy as np import pandas as pd import matplotlib.pyplot as plt

利用python進行資料分析-pandas入門3

1.函式應用和對映 NumPy的ufuncs（元素級陣列方法）也可用於操作pandas物件 frame=DataFrame(np.random.randn(4,3),columns=list('bde

資料基礎---《利用Python進行資料分析·第2版》第11章 時間序列

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 時間序列（time series）資料是一種重要的結構化資料形式，應用於多個領域，包括金融學、經濟學、生態學、神經科學、物

利用Python進行資料分析筆記－時間序列(轉換、索引、偏移)

時間序列指能在任何能在時間上觀測到的資料。很多時間序列是有固定頻率（fixed frequency）的，意思是資料點會遵照某種規律定期出現，比如每15秒，每5分鐘，或每個月。時間序列也可能是不規律的（irregular），沒有一個固定的時間規律。如何參照時間序列

《利用python進行資料分析》 第10章 時間序列

第十章、時間序列 時間戳timestamp：特定的時刻 固定時期period：2017年1月或2017年全年 時間間隔interval：時期是間隔的特例 實驗或過程時間：每一個時間點都是對特定起始實踐的一個獨立那個。例如，從放入烤箱起，每秒鐘餅乾的直徑。 1

【利用python進行資料分析】時間序列

時間序列（time series）資料是一種重要的結構化資料形式。時間序列資料的意義取決於具體的應用場景，主要有： 時間戳（timestamp）；固定時期（period）；時間間隔（interval）；實驗或過程時間 最簡單也最常見的時間序列是用時間戳進行索引的。 pa

《利用python進行資料分析》第十章 時間序列（一）

stamp = ts.index[2] print ts[stamp],'\n' #還有更方便的用法，傳入可以被解釋為日期的字串 print ts['1/10/2011'] print ts['20110110'],'\n' #對於較長的時間序列，只需傳入“年”或“年月”即可輕鬆選取資料切片 long_ts

利用python進行資料分析（第二版） pdf下載

適讀人群 ：適合剛學Python的資料分析師或剛學資料科學以及科學計算的Python程式設計者。 閱讀本書可以獲得一份關於在Python下操作、處理、清洗、規整資料集的完整說明。本書第二版針對Python 3.6進行了更新，並增加實際案例向你展示如何高效地解決一系列資料分析問題。你將在閱讀

《利用Python進行資料分析》學習記錄

第8章249頁 原語句：party_counts = pd.crosstab(tips.day, tips.size) 現在的pandas似乎有個size屬性，就是計算資料的大小，而不會返回那一列具體的資料，比如這裡tips這個csv資料，其裡面包含一列size資料，現在來執行這句語句的話，

資料基礎---《利用Python進行資料分析·第2版》第12章 pandas高階應用

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 前面的章節關注於不同型別的資料規整流程和NumPy、pandas與其它庫的特點。隨著時間的發展，pandas發展出了更多適

資料基礎---《利用Python進行資料分析·第2版》第6章 資料載入、儲存與檔案格式

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 訪問資料是使用本書所介紹的這些工具的第一步。我會著重介紹pandas的資料輸入與輸出，雖然別的庫中也有不少以此為目的的工具

資料基礎---《利用Python進行資料分析·第2版》第4章 NumPy基礎：陣列和向量計算

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 NumPy（Numerical Python的簡稱）是Python數值計算最重要的基礎包。大多數提供科學計算的包都是用Nu

資料基礎---《利用Python進行資料分析·第2版》第10章 資料聚合與分組運算

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 對資料集進行分組並對各組應用一個函式（無論是聚合還是轉換），通常是資料分析工作中的重要環節。在將資料集載入、融合、準備好之

資料基礎---《利用Python進行資料分析·第2版》第8章 資料規整：聚合、合併和重塑

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 在許多應用中，資料可能分散在許多檔案或資料庫中，儲存的形式也不利於分析。本章關注可以聚合、合併、重塑資料的方法。 首先

資料基礎---《利用Python進行資料分析·第2版》第7章 資料清洗和準備

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 在資料分析和建模的過程中，相當多的時間要用在資料準備上：載入、清理、轉換以及重塑。這些工作會佔到分析師時間的80%或更多。

資料基礎---《利用Python進行資料分析·第2版》第5章 pandas入門

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 pandas是本書後續內容的首選庫。它含有使資料清洗和分析工作變得更快更簡單的資料結構和操作工具。pandas經常和其它工

分享 《利用Python進行資料分析(第二版)》高清中文版PDF+英文版PDF+原始碼

資料下載：https://pan.baidu.com/s/1K3DjJ9S1S3AxpacEElNF9Q 《利用Python進行資料分析(第二版)》【中文版和英文版】【高清完整版PDF】+【配套原始碼】 《利用Python進行資料分析(第二版)》中文和英文兩版對比學習， 高清完整版PDF，帶書籤，可複製貼

利用Python進行資料分析之第七章 記錄2 資料規整化:清理、轉換、合併、重塑

索引上的合併 DataFrame中傳入引數left_index=True或者right_index=True（或者兩個都傳入）,表示DataFrame的index（索引）被用作兩個DataFrame連線的連線鍵，如下： dataframe1 = DataFrame({'key':

利用Python進行資料分析之第七章記錄 資料規整化:清理、轉換、合併、重塑

合併資料集： pandas物件中的資料可以通過一些內建的方式進行合併： pandas.merge可根據一個或多個鍵將不同DataFrame中的行連線起來。SQL或其它關係型資料庫的使用者對此應該會比較熟悉，因為它實現的就是資料庫的連線操作。 pandas.concat可以沿著一條軸將多個