概述

使用DataFrame处理时间序列数据时，你可以轻松地进行时间戳的转换和格式化。Pandas提供了丰富的函数和方法来处理日期和时间，如pd.to_datetime()用于将字符串转换为日期时间对象，.dt访问器用于访问日期时间的各个部分，以及strftime()方法用于将日期时间对象格式化为字符串。这些功能使得在DataFrame中处理时间序列数据变得简单而直观。

此外，DataFrame还支持基于时间的索引操作，如between_time()和at_time()。这些方法允许你根据特定的时间范围或时间点来筛选数据，从而快速提取出感兴趣的时间段内的数据。这对于时间序列分析、数据可视化以及预测建模等任务非常有用。

总之，DataFrame的时间序列是数据分析中不可或缺的一部分。通过利用Pandas库的功能，你可以轻松地处理、分析和可视化时间序列数据，从而发现数据中的模式和趋势，为决策提供有力支持。

一、pandas的日期类型

Pandas中的日期类型主要是datetime64，这是一个固定宽度的数据类型，用于表示日期和时间。datetime64类型允许存储从1677年到2262年之间的日期和时间，以纳秒为时间单位。

（一）datetime64类型的特点

固定宽度：datetime64类型在内存中占用固定数量的字节，这有助于高效地存储和处理时间序列数据。

纳秒精度：datetime64类型使用纳秒作为时间单位，因此可以表示非常精确的时间戳。

时间范围：如前所述，datetime64可以表示从1677年到2262年之间的日期和时间。

时区感知：Pandas支持时区感知的datetime64类型，这对于处理跨越不同时区的数据非常有用。

（二） 时间序列的创建

你可以使用pd.to_datetime()函数将字符串、整数、浮点数或其他数据类型转换为datetime64类型。这个函数非常灵活，可以处理多种格式的日期和时间字符串。

1.从字符串创建datetime64类型

import pandas as pd  # 从字符串创建datetime64类型  
date_string = '2023-10-23'  
date = pd.to_datetime(date_string)  
print(date)  

运行结果：

2. 整数（Unix时间戳）创建datetime64类型

# 从整数（Unix时间戳）创建datetime64类型  
timestamp = 1697606400  # 示例：2023-10-23 00:00:00的Unix时间戳  
dt_from_timestamp = pd.to_datetime(timestamp, unit='s')  
print(dt_from_timestamp)

运行结果：

3.导入数据时直接转换

使用parse_dates参数直接把需要转换的列转化为datetime64

ebola = pd.read_csv('/export/data/pandas_data/country_timeseries.csv', parse_dates=['Date'])
ebola

运行结果：

（三）datetime64作为索引

将datetime64类型的列设为索引列

# 将Date类设为索引列
ebola.set_index('Date')

运行结果

获取2014年12月的数据

二、运用时间序列索引获取数据

导入数据：

crime = pd.read_csv('/export/data/pandas_data/crime.csv',parse_dates=['REPORTED_DATE'],index_col='REPORTED_DATE')
crime =crime.sort_index()
crime

运行结果：

利用时间索引，你可以像处理普通索引一样对数据进行切片。

1.选择特定日期的数据

# 提取2012年1月2日的数据
crime['2012-01-02']

运行结果：

# 提取2012年1月的数据
crime['2012-01']

运行结果：

2. 切片选择时间范围

# 提取2012年1月-2月的数据的数据
crime['2012-01':'2012-02'] # 新版已停用
crime.loc['2012-01':'2012-02'] # 标准写法

运行结果：

注意：
运用时间序列获取数据的时候，先对时间序列排序在切片运行效率会提高很多

3. between_time(),at_time()

between_time() 和 at_time() 是两个用于根据时间筛选DataFrame中特定时间段的便捷方法，它们特别适用于那些索引为日期时间类型（DatetimeIndex）的DataFrame。这两个方法允许你基于时间进行快速筛选，无需复杂的布尔索引或查询。

between_time()

between_time() 方法用于选择指定开始时间和结束时间之间的所有行。

• 用法：

DataFrame.between_time(start_time, end_time, include_start=True, include_end=True, tz=None)

• 参数：

  • start_time：字符串，表示开始时间，格式为 ‘HH:MM’ 或 ‘HH:MM:SS’。
  • end_time：字符串，表示结束时间，格式同样为 ‘HH:MM’ 或 ‘HH:MM:SS’。
  • include_start：布尔值，默认为 True，表示是否包含开始时间。
  • include_end：布尔值，默认为 True，表示是否包含结束时间。
  • tz：时区字符串或 None，用于指定时区。如果DataFrame的索引已经有时区信息，这个参数可以用来覆盖它。

import pandas as pd  # 创建一个示例DataFrame，索引为日期时间  
dates = pd.date_range('2023-01-01', periods=10, freq='H')  # 每小时一个数据点  
data = {'value': range(10)}  
df = pd.DataFrame(data, index=dates)  # 筛选早上8点到9点之间的数据  
between_8_and_9 = df.between_time('8:00', '9:00')  
print(between_8_and_9)

运行结果：

at_time()

at_time() 方法用于选择指定时间的所有行。

• 用法：

DataFrame.at_time(time, tz=None)

• 参数：

  • time：字符串，表示要筛选的时间，格式为 ‘HH:MM’ 或 ‘HH:MM:SS’。
  • tz：时区字符串或 None，与 between_time() 中的 tz 参数相同。

仍然使用上面的DataFrame，并且筛选出早上8点的所有行：

# 筛选早上8点的数据  
at_8 = df.at_time('8:00')  
print(at_8)

运行结果：

这两个方法都返回一个新的DataFrame，其中只包含满足时间条件的行。它们对于处理时间序列数据，特别是那些需要基于特定时间窗口进行筛选的数据集时，非常有用。

三、重采样时间序列数据

resample() 函数

resample()是用于时间序列数据重采样的强大工具。它允许将时间序列数据从一个频率转换为另一个频率，并通过聚合函数（如求和、均值、最大值等）来减少数据的粒度。这个函数通常应用于 Pandas 的 DataFrame 或 Series 对象，这些对象有一个 DatetimeIndex。

1. 常用的时间规则

• ‘D’ 或 ‘B’：每日频率，‘D’ 包括周末，‘B’ 仅包括工作日（周一至周五）。
• ‘H’：每小时频率。
• ‘T’ 或 ‘min’：每分钟频率。
• ‘S’：每秒频率。
• ‘M’：月末频率，即每个日历月末。
• ‘SM’：每月的开始，即每个月的第一天。
• ‘BM’：每个业务月（工作日）的月末。
• ‘BMS’：每个业务月（工作日）的开始。
• ‘Q’：季度末频率，即每个日历季度的末尾。
• ‘BQ’：每个业务季度的末尾。
• ‘QS’：每个季度的开始。
• ‘BQS’：每个业务季度的开始。
• ‘A’ 或 ‘Y’：年末频率，即每年的最后一个日历日。
• ‘AS’ 或 ‘YS’：每年的开始。
• ‘BA’ 或 ‘BY’：每个业务年的末尾。
• ‘BAS’ 或 ‘BYS’：每个业务年的开始。
• ‘W-MON’：每周一频率。你可以使用 ‘W-TUE’、‘W-WED’、‘W-THU’、‘W-FRI’、‘W-SAT’ 或 ‘W-SUN’ 来指定每周的任意一天。
• ‘W’：每周频率，默认从周日开始，但可以通过 offset 参数进行更改。
• 自定义偏移量：你还可以创建自定义的日期偏移量，例如 pd.offsets.MonthEnd(3) 表示每个月的第三个日历日的末尾。

2.将日数据重采样为月数据

# 求每个月犯罪的总数
crime.resample('M')['IS_CRIME'].sum()

运行结果：

3. resample后面可以接apply函数，传入自定义函数

# 计数自定义函数
def my_count(x):return x.count()
# 求每个季度犯罪的总数
crime.resample('QS')['IS_CRIME'].apply(my_count)

运行结果:

4. 注意事项：

• resample() 函数默认不对数据进行任何聚合，它只是改变了数据的索引频率。为了实际进行聚合操作，你需要链式调用一个聚合函数，如 mean(), sum(), max(), min() 等，或者使用 agg() 函数来指定多个聚合操作。
• 如果你的 DataFrame 有一个非时间戳的索引，你需要首先将其设置为时间戳索引，才能使用 resample() 函数。这可以通过 set_index() 方法来实现，如上面的示例所示。
• 在使用 resample() 时，确保你的数据已经按时间顺序排序，因为重采样操作依赖于数据的顺序。如果数据未排序，你可以使用 sort_index() 方法先对数据进行排序。

四、移动窗口操作

rolling() 方法

rolling() 方法用于在 DataFrame 或 Series 对象上执行滚动（或窗口）操作。滚动操作允许你对时间序列数据或其他连续数据执行一系列计算，这些计算是在一个固定大小的窗口上进行的，窗口会沿着数据移动。这对于计算诸如滚动平均值、滚动标准差、滚动最大值等统计量非常有用。

1.在单列上执行滚动操作

# 创建一个示例 DataFrame  
data = {  'date': pd.date_range(start='2023-01-01', periods=10),  'price': [100, 101, 105, 104, 107, 106, 108, 110, 112, 111]  ,'price2': [110, 121, 135, 144, 157, 166, 178, 180, 192, 110] 
}  
df = pd.DataFrame(data)  
df.set_index('date', inplace=True)  # 计算五天的滚动平均值  
rolling_mean = df['price'].rolling(window=5).mean()  rolling_mean

2. 在多个列上执行滚动操作

如果你的 DataFrame 有多个列，并且你想要对多列都执行滚动操作， rolling() 后指定多列。

# 对 DataFrame 中的每一列计算五天的滚动平均值  
rolling_df = df.rolling(window=5)[['price','price2']].mean()  
rolling_df

运行结果：

2.对不同列使用不同的聚合函数

同分组聚合一样使用agg函数，进行对不同的列进行不同的操作

rolling_df = df.rolling(window=5)[['price','price2']].agg({'price': 'sum', 'price2': 'mean'})  
rolling_df

运行结果：

3. 应用自定义函数

还可以使用 apply() 方法与 rolling() 结合来应用自定义函数。

# 自定义函数来计算滚动窗口中的值之和的平方  
def custom_func(series):  return (series.sum()) ** 2  # 应用自定义函数到滚动窗口  
rolling_custom = df['price'].rolling(window=5).apply(custom_func)  print(rolling_custom)

运行结果：

4. 注意事项：

• rolling() 方法默认不会改变原始数据，而是返回一个新的 DataFrame 或 Series 对象，其中包含了滚动操作的结果。
• window 参数指定了滚动窗口的大小。它必须是一个整数，表示窗口中包含的元素的数量。
• 滚动操作会忽略窗口大小小于窗口中元素数量的部分，因此在结果的开头，你会看到一些 NaN 值，这些值表示没有足够的数据来计算滚动统计量。
• 你可以通过链式调用其他方法（如 dropna()）来删除这些 NaN 值。

五、时间差异计算

1. diff()函数

方法在 Pandas 中是一个非常实用的函数，用于计算序列中相邻元素之间的差异。这个方法在处理时间序列数据、金融数据以及其他需要计算相邻元素差值的场景中非常有用。

• diff() 方法的基本格式：
  对于 DataFrame：DataFrame.diff(periods=1, axis=0, fill_value=None)
  对于 Series：Series.diff(periods=1)
• 参数说明：
  • periods：指定要计算差值的时期数，可以是正数或负数，默认为1。正数表示后一个元素减去前一个元素，负数则表示前一个元素减去后一个元素。
  • axis：对于 DataFrame，此参数指定计算差值的轴向。如果为0或者’index’，则上下移动；如果为1或者’columns’，则左右移动。默认值为0，即沿着行方向（索引）进行计算。
  • fill_value：用于指定缺失值填充值。如果原数据中存在缺失值（NaN），可以用此参数指定的值进行填充，然后再进行差值计算。

2.diff()函数在时间序列上的使用

diff() 函数在 Pandas 中用于计算时间序列数据中相邻观测值之间的差异。对于时间序列数据，这通常意味着计算连续时间点之间值的变化。这种变化可能代表增长率、速度、加速度或其他任何需要测量连续时间点之间变化量的指标。

• 计算日变化量
  假设你有一个包含每日股票价格的时间序列 DataFrame，你想要计算每日价格变化。

import pandas as pd  
import numpy as np  # 创建一个包含日期和价格的示例 DataFrame  
dates = pd.date_range(start='2023-01-01', periods=5)  
prices = [100, 102, 105, 103, 106]  
df = pd.DataFrame({'date': dates, 'price': prices})  
df.set_index('date', inplace=True)  # 计算每日价格变化  
daily_changes = df['price'].diff()  daily_changes

运行结果：

输出会显示每日价格与前一天价格的差异。

• 计算周变化量
  如果你想计算每周的变化量，你可以通过调整 periods 参数来实现。

# 计算每周价格变化（假设数据是每日的，并且每周有7天）  
weekly_changes = df['price'].diff(periods=7)  # 注意：这将只在有足够的数据点来计算7天差异时返回非NaN值  
weekly_changes

• 处理缺失值
  如果时间序列中存在缺失值，diff() 函数将在缺失值的位置返回 NaN。你可以使用 fill_value 参数来填充这些缺失值，然后再进行差分计算。

# 假设价格数据中有缺失值  
prices_with_nan = [100, np.nan, 105, 103, 106]  
df_with_nan = pd.DataFrame({'date': dates, 'price': prices_with_nan})  
df_with_nan.set_index('date', inplace=True)  # 使用前一个有效值填充缺失值，并计算差异  
filled_changes = df_with_nan['price'].fillna(method='ffill').diff()  print(filled_changes)

运行结果：

在这个例子中，fillna(method=‘ffill’) 使用前一个有效值填充了缺失值。然后，diff() 函数计算了填充后序列的差异。

• 注意事项
  diff() 方法的工作原理可以简单理解为两个步骤：首先，通过 shift() 方法将数据序列进行移动；然后，将移动后的数据与原数据进行相减，得到相邻元素之间的差异。

需要注意的是，diff() 方法返回的是一个与原数据形状相同的新序列，其中包含了相邻元素的差值。由于计算差值时涉及到了元素的移动，因此在结果序列的开头或结尾部分，可能会因为没有足够的相邻元素而导致出现 NaN 值。

六、时间戳转换和格式化

1. 将字符串转换为日期时间对象

使用pd.to_datetime()函数将其转换为Pandas的日期时间对象。

import pandas as pd  # 假设df是一个DataFrame，其中'date_str'列包含日期时间字符串  
df = pd.DataFrame({  'date_str': ['2023-01-01 12:00:00', '2023-01-02 14:30:00']  
})  # 将字符串转换为日期时间对象  
df['date_time'] = pd.to_datetime(df['date_str'])  print(df)

运行结果：

2. 格式化日期时间对象

• 使用.dt访问器来访问日期时间的各个部分

# 访问日期时间的各个部分  
df['year'] = df['date_time'].dt.year  
df['month'] = df['date_time'].dt.month  
df['day'] = df['date_time'].dt.day  
df['hour'] = df['date_time'].dt.hour  
df['minute'] = df['date_time'].dt.minute  
df['second'] = df['date_time'].dt.second  
df

运行结果：

• 使用strftime()方法来格式化日期时间为字符串。

# 格式化日期时间为字符串  
df['formatted_date'] = df['date_time'].dt.strftime('%Y-%m-%d %H:%M:%S')  
df['formatted_date']

运行结果：

4. 时区转换

如果你的日期时间数据包含时区信息，并且你需要进行时区转换，你可以使用tz_convert()方法。

# 假设你的日期时间数据是UTC时区的  
df['utc_time'] = pd.to_datetime(df['date_str']).dt.tz_localize('UTC')  # 转换为另一个时区，比如纽约时区（America/New_York）  
df['ny_time'] = df['utc_time'].dt.tz_convert('America/New_York')

5.注意事项：

• 确保你的日期时间字符串格式与pd.to_datetime()函数能够解析的格式相匹配。如果格式不匹配，你可能需要指定format参数来告诉Pandas如何解析日期时间字符串。
• 在处理时区时，确保你的环境中安装了pytz库，因为Pandas使用pytz来处理时区信息。
• 当格式化日期时间为字符串时，strftime()方法中的格式字符串应该遵循Python的日期时间格式化规则。

下篇内容

matplotlib入门