Pandas系列（六）-時間序列詳解
阿新 • • 發佈：2019-03-12
htm 轉換 req 標準 2.0 使用 日期時間 別名 目錄
內容目錄
- 1. 基礎概述
- 2. 轉換時間戳
- 3. 生成時間戳範圍
- 4. DatetimeIndex
- 5. DateOffset對象
- 6. 與時間序列相關的方法
- 6.1 移動
- 6.2 頻率轉換
- 6.3 重采樣
在處理時間序列的的過程中，我們經常會去做以下一些任務：
- 生成固定頻率日期和時間跨度的序列
- 將時間序列整合或轉換為特定頻率
- 基於各種非標準時間增量（例如，在一年的最後一個工作日之前的5個工作日）計算“相對”日期，或向前或向後“滾動”日期
使用 Pandas 可以輕松完成以上任務。
一、基礎概述
下面列出了 Pandas中 和時間日期相關常用的類以及創建方法。 類 備註 創建方法 Timestamp 時刻數據 to_datetime，Timestamp DatetimeIndex Timestamp的索引 to_datetime，date_range，DatetimeIndex Period 時期數據 Period PeriodIndex Period period_range， PeriodIndex Pandas 中關於時間序列最常見的類型就是時間戳（Timestamp）了，創建時間戳的方法有很多種，我們分別來看一看。
基本方法
pd.Timestamp(2018,5,21)
Out[12]: Timestamp(‘2018-05-21 00:00:00‘)
pd.Timestamp(‘2018-5-21‘)
Out[13]: Timestamp(‘2018-05-21 00:00:00‘)
#除了時間戳之外，另一個常見的結構是時間跨度（Period）。
pd.Period("2018-01")
Out[14]: Period(‘2018-01‘, ‘M‘)
pd.Period("2018-05", freq="D")
Out[15]: Period(‘2018-05-01‘, ‘D‘)
#索引後會自動強制轉為為 DatetimeIndex 和 PeriodIndex。
dates = [pd.Timestamp("2018-05-01"), pd.Timestamp("2018-05-02"), pd.Timestamp("2018-05-03"), pd.Timestamp("2018-05-04")]
ts = pd.Series(data=["Tom", "Bob", "Mary", "James"], index=dates)
ts.index
Out[16]: DatetimeIndex([‘2018-05-01‘, ‘2018-05-02‘, ‘2018-05-03‘, ‘2018-05-04‘], dtype=‘datetime64[ns]‘, freq=None)
periods = [pd.Period("2018-01"), pd.Period("2018-02"), pd.Period("2018-03"), pd.Period("2018-4")]
ts = pd.Series(data=["Tom", "Bob", "Mary", "James"], index=periods)
ts.index
Out[17]: PeriodIndex([‘2018-01‘, ‘2018-02‘, ‘2018-03‘, ‘2018-04‘], dtype=‘period[M]‘, freq=‘M‘)二、轉換時間戳
你可能會想到，我們經常要和文本數據（字符串）打交道，能否快速將文本數據轉為時間戳呢？
答案是可以的，通過 to_datetime 能快速將字符串轉換為時間戳。當傳遞一個Series時，它會返回一個Series（具有相同的索引），而類似列表的則轉換為DatetimeIndex。
pd.to_datetime(pd.Series(["Jul 31, 2018", "2018-05-10", None]))
Out[18]:
0 2018-07-31
1 2018-05-10
2 NaT
dtype: datetime64[ns]
pd.to_datetime(["2005/11/23", "2010.12.31"])
Out[19]: DatetimeIndex([‘2005-11-23‘, ‘2010-12-31‘], dtype=‘datetime64[ns]‘, freq=None)
#除了可以將文本數據轉為時間戳外，還可以將 unix 時間轉為時間戳。
pd.to_datetime([1349720105, 1349806505, 1349892905], unit="s")
Out[20]:
DatetimeIndex([‘2012-10-08 18:15:05‘, ‘2012-10-09 18:15:05‘,
‘2012-10-10 18:15:05‘],
dtype=‘datetime64[ns]‘, freq=None)
pd.to_datetime([1349720105100, 1349720105200, 1349720105300], unit="ms")
Out[21]:
DatetimeIndex([‘2012-10-08 18:15:05.100000‘, ‘2012-10-08 18:15:05.200000‘,
‘2012-10-08 18:15:05.300000‘],
dtype=‘datetime64[ns]‘, freq=None)
三、生成時間戳範圍
有時候，我們可能想要生成某個範圍內的時間戳。例如，我想要生成 "2018-6-26" 這一天之後的8天時間戳，如何完成呢？我們可以使用 date_range 和 bdate_range 來完成時間戳範圍的生成。
pd.date_range("2018-6-26", periods=8)
Out[22]:
DatetimeIndex([‘2018-06-26‘, ‘2018-06-27‘, ‘2018-06-28‘, ‘2018-06-29‘,
‘2018-06-30‘, ‘2018-07-01‘, ‘2018-07-02‘, ‘2018-07-03‘],
dtype=‘datetime64[ns]‘, freq=‘D‘)
pd.bdate_range("2018-6-26", periods=8)
Out[23]:
DatetimeIndex([‘2018-06-26‘, ‘2018-06-27‘, ‘2018-06-28‘, ‘2018-06-29‘,
‘2018-07-02‘, ‘2018-07-03‘, ‘2018-07-04‘, ‘2018-07-05‘],
dtype=‘datetime64[ns]‘, freq=‘B‘)
#可以看出，date_range 默認使用的頻率是 日歷日，而 bdate_range 默認使用的頻率是 營業日。當然了，我們可以自己指定頻率，比如，我們可以按周來生成時間戳範圍。
pd.date_range("2018-6-26", periods=8, freq="W")
Out[24]:
DatetimeIndex([‘2018-07-01‘, ‘2018-07-08‘, ‘2018-07-15‘, ‘2018-07-22‘,
‘2018-07-29‘, ‘2018-08-05‘, ‘2018-08-12‘, ‘2018-08-19‘],
dtype=‘datetime64[ns]‘, freq=‘W-SUN‘)
四. DatetimeIndex
DatetimeIndex 的主要作用是之一是用作 Pandas 對象的索引，使用它作為索引除了擁有普通索引對象的所
有基本功能外，還擁有簡化頻率處理的高級時間序列方法。
rng = pd.date_range("2018-6-24", periods=4, freq="W")
ts = pd.Series(range(len(rng)), index=rng)
ts
Out[25]:
2018-06-24 0
2018-07-01 1
2018-07-08 2
2018-07-15 3
Freq: W-SUN, dtype: int64
# 通過日期訪問數據
ts["2018-07-08"]
Out[26]: 2
# 通過日期區間訪問數據切片
ts["2018-07-08": "2018-07-22"]
Out[27]:
2018-07-08 2
2018-07-15 3
Freq: W-SUN, dtype: int64
#傳入年份
ts["2018"]
Out[28]:
2018-06-24 0
2018-07-01 1
2018-07-08 2
2018-07-15 3
Freq: W-SUN, dtype: int64
# 傳入年份和月份
ts["2018-07"]
Out[29]:
2018-07-01 1
2018-07-08 2
2018-07-15 3
Freq: W-SUN, dtype: int64
#除了可以使用字符串對 DateTimeIndex 進行索引外，還可以使用 datetime（日期時間）對象來進行索引。
from datetime import datetime
ts[datetime(2018, 7, 8) : datetime(2018, 7, 22)]
Out[30]:
2018-07-08 2
2018-07-15 3
Freq: W-SUN, dtype: int64
# 獲取年份
ts.index.year
Out[31]: Int64Index([2018, 2018, 2018, 2018], dtype=‘int64‘)
# 獲取星期幾
ts.index.dayofweek
Out[32]: Int64Index([6, 6, 6, 6], dtype=‘int64‘)
# 獲取一年中的第幾個星期
ts.index.weekofyear
Out[33]: Int64Index([25, 26, 27, 28], dtype=‘int64‘)
五.DateOffset對象
DateOffset 從名稱中就可以看出來是要做日期偏移的，它的參數與 dateutil.relativedelta基本相同，工作方式如下：
from pandas.tseries.offsets import *
d = pd.Timestamp("2018-06-25")
d + DateOffset(weeks=2, days=5)
Out[34]: Timestamp(‘2018-07-14 00:00:00‘)
#除了可以使用 DateOffset 完成上面的功能外，還可以使用偏移量實例來完成。
d + Week(2) + Day(5)
Out[35]: Timestamp(‘2018-07-14 00:00:00‘)
六、與時間序列相關的方法
在做時間序列相關的工作時，經常要對時間做一些移動/滯後、頻率轉換、采樣等相關操作，我們來看下這些操作如何使用吧。
6.1 移動
如果你想移動或滯後時間序列，你可以使用 shift 方法。
可以看到，Series 所有的值都都移動了 2 個距離。如果不想移動值，而是移動日期索引，可以使用 freq 參數，它可以接受一個 DateOffset 類或其他 timedelta 類對象或一個 offset 別名，所有別名詳細介紹見：Offset Aliases（http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases）。
ts.shift(2) Out[36]: 2018-06-24 NaN 2018-07-01 NaN 2018-07-08 0.0 2018-07-15 1.0 Freq: W-SUN, dtype: float64 ts.shift(2, freq=Day()) Out[37]: 2018-06-26 0 2018-07-03 1 2018-07-10 2 2018-07-17 3 Freq: W-TUE, dtype: int64 #可以看到，現在日期索引移動了 2 天的間隔。通過 tshift 同樣可以達到相同的效果。 ts.tshift(2, freq=Day()) Out[38]: 2018-06-26 0 2018-07-03 1 2018-07-10 2 2018-07-17 3 Freq: W-TUE, dtype: int64
6.2頻率轉換
頻率轉換可以使用 asfreq 函數來實現。下面演示了將頻率由周轉為了天。
ts.asfreq(Day()) Out[39]: 2018-06-24 0.0 2018-06-25 NaN 2018-06-26 NaN 2018-06-27 NaN 2018-06-28 NaN 2018-06-29 NaN 2018-06-30 NaN 2018-07-01 1.0 2018-07-02 NaN 2018-07-03 NaN 2018-07-04 NaN 2018-07-05 NaN 2018-07-06 NaN 2018-07-07 NaN 2018-07-08 2.0 2018-07-09 NaN 2018-07-10 NaN 2018-07-11 NaN 2018-07-12 NaN 2018-07-13 NaN 2018-07-14 NaN 2018-07-15 3.0 Freq: D, dtype: float64 #聰明的你會發現出現了缺失值，因此 Pandas 為你提供了 method 參數來填充缺失值。幾種不同的填充方法參考 Pandas 缺失值處理 中 fillna 介紹。 ts.asfreq(Day(), method="pad") Out[40]: 2018-06-24 0 2018-06-25 0 2018-06-26 0 2018-06-27 0 2018-06-28 0 2018-06-29 0 2018-06-30 0 2018-07-01 1 2018-07-02 1 2018-07-03 1 2018-07-04 1 2018-07-05 1 2018-07-06 1 2018-07-07 1 2018-07-08 2 2018-07-09 2 2018-07-10 2 2018-07-11 2 2018-07-12 2 2018-07-13 2 2018-07-14 2 2018-07-15 3 Freq: D, dtype: int64
6.3 重采樣
resample 表示根據日期維度進行數據聚合，可以按照分鐘、小時、工作日、周、月、年等來作為日期維度，更多的日期維度見 Offset Aliases（http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases）。這裏我們先以月來作為時間維度來進行聚合。
# 求出每個月的數值之和
ts.resample("1M").sum()
Out[41]:
2018-06-30 0
2018-07-31 6
Freq: M, dtype: int64
# 求出每個月的數值平均值
ts.resample("1M").mean()
Out[42]:
2018-06-30 0
2018-07-31 2
Freq: M, dtype: int64
Pandas系列（六）-時間序列詳解