Python Pandas高级教程之时间处理

简介

时间应该是在数据处理中经常会用到的一种数据类型，除了Numpy中datetime64 和 timedelta64 这两种数据类型之外，pandas 还整合了其他python库比如  scikits.timeseries  中的功能。

时间分类

pandas中有四种时间类型：

1. Date times :  日期和时间，可以带时区。和标准库中的  datetime.datetime 类似。
2. Time deltas： 绝对持续时间，和 标准库中的  datetime.timedelta  类似。
3. Time spans： 由时间点及其关联的频率定义的时间跨度。
4. Date offsets：基于日历计算的时间 和 dateutil.relativedelta.relativedelta 类似。

我们用一张表来表示：

看一个使用的例子：

看一下上面数据类型的空值：

Timestamp

Timestamp  是最基础的时间类型，我们可以这样创建：

DatetimeIndex

Timestamp 作为index会自动被转换为DatetimeIndex：

date_range 和 bdate_range

还可以使用 date_range 来创建DatetimeIndex：

date_range 是日历范围，bdate_range 是工作日范围：

两个方法都可以带上 start, end, 和 periods 参数。

origin

使用 origin参数，可以修改 DatetimeIndex 的起点：

默认情况下   origin='unix',  也就是起点是 1970-01-01 00:00:00.

格式化

使用format参数可以对时间进行格式化：

Period

Period 表示的是一个时间跨度,通常和freq一起使用：

Period可以直接进行运算：

注意，Period只有具有相同的freq才能进行算数运算。包括 offsets 和 timedelta

Period作为index可以自动被转换为PeriodIndex：

可以通过  pd.period_range 方法来创建 PeriodIndex：

还可以通过PeriodIndex直接创建：

DateOffset

DateOffset表示的是频率对象。它和Timedelta很类似，表示的是一个持续时间，但是有特殊的日历规则。比如Timedelta一天肯定是24小时，而在 DateOffset中根据夏令时的不同，一天可能会有23，24或者25小时。

DateOffsets 和Frequency 运算是先关的，看一下可用的Date Offset 和它相关联的 Frequency：

DateOffset还有两个方法  rollforward() 和 rollback() 可以将时间进行移动：

上面的操作会自动保存小时，分钟等信息，如果想要设置为  00:00:00  ， 可以调用normalize() 方法：

作为index

时间可以作为index，并且作为index的时候会有一些很方便的特性。

可以直接使用时间来获取相应的数据：

获取全年的数据：

获取某个月的数据：

DF可以接受时间作为loc的参数：

时间切片：

切片和完全匹配

考虑下面的一个精度为分的Series对象：

时间精度小于分的话，返回的是一个Series对象：

时间精度大于分的话，返回的是一个常量：

同样的，如果精度为秒的话，小于秒会返回一个对象，等于秒会返回常量值。

时间序列的操作

Shifting

使用shift方法可以让 time series 进行相应的移动：

通过指定 freq ， 可以设置shift的方式：

频率转换

时间序列可以通过调用 asfreq 的方法转换其频率：

asfreq还可以指定修改频率过后的填充方法：

Resampling 重新取样

给定的时间序列可以通过调用resample方法来重新取样：

resample 可以接受各类统计方法，比如： sum, mean, std, sem, max, min, median, first, last, ohlc。

总结

到此这篇关于Python Pandas高级教程之时间处理的文章就介绍到这了,更多相关Pandas时间处理内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！

原文链接：https://juejin.cn/post/7017610991379120165