Pandas2.2 General

Top-level dealing with datetimelike data

方法	描述
to_datetime(arg[, errors, dayfirst, …])	用于将对象数据（如字符串）转换为日期时间类型
to_timedelta(arg[, unit, errors])	用于将对象数据（如字符串）转换为时间差类型
date_range([start, end, periods, freq, tz, …])	用于生成固定频率的日期时间序列
bdate_range([start, end, periods, freq, tz, …])	用于生成基于工作日的日期范围
period_range([start, end, periods, freq, name])	用于生成固定频率的周期序列
timedelta_range([start, end, periods, freq, …])	用于生成固定频率的时间差序列
infer_freq(index)	用于根据时间序列数据自动推断其频率

pandas.infer_freq()

pandas.infer_freq() 函数用于推断给定日期时间索引（DatetimeIndex）或时间差索引（TimedeltaIndex）的频率。它不接受任何参数，而是直接作用于输入的索引对象。然而，为了完整性和上下文，我将介绍如何使用这个函数，并提供示例及结果。

def infer_freq(index: DatetimeIndex | TimedeltaIndex | Series | DatetimeLikeArrayMixin,
) -> str | None:...

参数

• index（DatetimeIndex 或 TimedeltaIndex）
  • 要推断频率的日期时间索引或时间差索引。

返回值

• str 或 None
  • 如果能够推断出频率，则返回相应的频率字符串（如 'D' 表示天，'H' 表示小时等）。
  • 如果无法推断出频率（例如，索引中的时间间隔不规则），则返回 None。

示例 1：推断日期时间索引的频率

import pandas as pd# 创建一个日期时间索引
dates = pd.date_range(start='2023-01-01', periods=5, freq='D')# 推断频率
freq = pd.infer_freq(dates)
print(freq)

结果：

D

在这个例子中，pd.infer_freq() 正确地推断出了日期时间索引的频率为 'D'（天）。

示例 2：推断时间差索引的频率

import pandas as pd# 创建一个时间差索引
deltas = pd.timedelta_range(start='0 days', periods=5, freq='h')# 推断频率
freq = pd.infer_freq(deltas)
print(freq)

结果：

h

在这个例子中，pd.infer_freq() 正确地推断出了时间差索引的频率为 'H'（小时）。

示例 3：无法推断频率的情况

import pandas as pd# 创建一个不规则的日期时间索引
dates = pd.to_datetime(['2023-01-01', '2023-01-03', '2023-01-05'])# 推断频率
freq = pd.infer_freq(dates)
print(freq)

结果：

2D

在这个例子中，由于日期时间索引中的时间间隔不规则（不是固定的天数），pd.infer_freq() 无法推断出频率，因此返回了 None。

总结

pandas.infer_freq() 是一个有用的函数，用于自动推断日期时间索引或时间差索引的频率。然而，它依赖于索引中的时间间隔是规则的。如果时间间隔不规则，则无法推断出频率，函数将返回 None。