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()

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