pandas-13 时间序列操作方法pd.date_range()

在pandas中拥有强大的时间序列操作方法。

使用 pd.date_range() 生成 ‘pandas.core.indexes.datetimes.DatetimeIndex’ 对象。
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)

# 生成时间对象

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 时间 对象

'''

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

'''

# 直接按照索引进行访问

print(s1[3]) # 0.7278580572480748

# 传入时间对象访问

print(s1[datetime(2019, 10, 20)]) # 0.7278580572480748

# 传入字符串

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

# 传入字符串2

print(s1['20191020']) # 0.7278580572480748

# 单纯写 年 月， 可以得到该年月下的所有内容

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() 参数 start 开始时间， periods 间隔时间，freq 按照什么间隔 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'>

''' 一周 默认 从 周日 开始的， 如果需要更改，可以改变 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')

'''

t_range = pd.date_range('2018-1-1', '2018-12-31')

print(t_range)

'''

DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04',

               '2018-01-05', '2018-01-06', '2018-01-07', '2018-01-08',

               '2018-01-09', '2018-01-10',

               ...

               '2018-12-22', '2018-12-23', '2018-12-24', '2018-12-25',

               '2018-12-26', '2018-12-27', '2018-12-28', '2018-12-29',

               '2018-12-30', '2018-12-31'],

              dtype='datetime64[ns]', length=365, freq='D')

'''

s1 = Series(np.random.randn(len(t_range)), index=t_range)

print(s1)

# 按照每月采样

# 可以求每个月的平均值，然后生成一个series

print(s1['2018-1'].mean()) # -0.03690388489355985

# 但是有更简单的方法

s1_month = s1.resample('M').mean()

print(s1_month)

'''

2018-01-31   -0.036904

2018-02-28   -0.044257

2018-03-31    0.037668

2018-04-30    0.124246

2018-05-31   -0.119733

2018-06-30    0.214724

2018-07-31   -0.123569

2018-08-31    0.180736

2018-09-30   -0.113882

2018-10-31   -0.111971

2018-11-30   -0.232061

2018-12-31    0.214558

Freq: M, dtype: float64

'''

print(s1.resample('H').ffill()) # 按小时采样，使用向前填充的方法

print(s1.resample('H').bfill()) # 向后填充
巴特西

pandas-13 时间序列操作方法pd.date_range()

pandas-13 时间序列操作方法pd.date_range()

最新文章

热门文章
