时间序列 |
您所在的位置：网站首页 › 蔡徐坤新专辑《迷》大概多少钱 › 时间序列 |
时间序列
|
首先导入需要用到的包 import pandas as pd import numpy as np 时间类型Python中的类型时间戳timestamp时间间隔timedelta时期period pd.Period()构造时期时期（period）表示的是时间区间，比如数日、数月、数季、数年等。 >>> import pandas as pd # Period类所表示的就是这种数据类型，其构造函数需要用到一个字符串或整数 >>> p = pd.Period('2010',freq = 'A-DEC') >>> p # 这个Period对象表示的是从2010年1月1日到2010年12月31日之间的整段时间 Period('2010', 'A-DEC') # 只需对Period对象加上或减去一个整数即可达到根据其频率进行位移的 >>> p + 5 Period('2015', 'A-DEC') >>> p - 4 Period('2006', 'A-DEC') # 如果两个Period对象拥有相同频率，则它们的差就是它们之间的单位数量 >>> pd.Period('2015',freq='A-DEC') - p 5 pd.period_range()构造时期范围 period_range函数可用于创建规则的时期范围： >>> rng = pd.period_range('2012-1-1','2012-6-30',freq = 'M') >>> rng PeriodIndex(['2012-01', '2012-02', '2012-03', '2012-04', '2012-05', '2012-06'], dtype='period[M]', freq='M') # PeriodIndex类保存了一组Period，它可以在任何pandas数据结构中被用作轴索引 >>> ped = pd.Series(np.random.randn(len(rng)), index = rng) >>> ped 2012-01 -2.411963 2012-02 0.893100 2012-03 1.438209 2012-04 0.193747 2012-05 -1.469531 2012-06 0.943145 Freq: M, dtype: float64 >>> ped.index PeriodIndex(['2012-01', '2012-02', '2012-03', '2012-04', '2012-05', '2012-06'], dtype='period[M]', freq='M') 使用PeriodIndex类将一个字符串数组转换为一段时期 # PeriodIndex类的构造函数允许直接使用一组字符串表示一段时期 >>> values =['2010Q1','2010Q2','2010Q3'] >>> index = pd.PeriodIndex(values,freq = 'Q-DEC') >>> index PeriodIndex(['2010Q1', '2010Q2', '2010Q3'], dtype='period[Q-DEC]', freq='Q-DEC') 时间的频率转换 Period和PeriodIndex对象都可以通过其asfreq方法被转换成别的频率一个年度时期，希望将其转换为当年年初或年末的一个月度时期 >>> p = pd.Period('2012',freq = 'A-DEC') >>> p Period('2012', 'A-DEC') >>> p.asfreq('M',how = 'start') Period('2012-01', 'M') >>> p.asfreq('Q','End') Period('2012Q4', 'Q-DEC')你可以将Period('2012','A-DEC')看做一个被划分为多个月度时期的时间段中的游标。下图对此进行了说明在将高频率转换为低频率时，超时期（superperiod）是由子时期（subperiod）所属的位置决定的。 
在A-JUN频率中，月份"2007年8月"实际上是属于周期"2008年"的： >>> p = pd.Period('Aug-2007', freq = 'M') >>> p Period('2007-08', 'M') >>> p.asfreq('A-JUN') Period('2008', 'A-JUN')完整的PeriodIndex或TimeSeries的频率转换方式相同 >>> rng = pd.period_range('2001','2008', freq = 'A-DEC') >>> ts = pd.Series(np.random.randn(len(rng)), index = rng) >>> ts 2001 0.859500 2002 -1.213256 2003 -0.591023 2004 -0.393317 2005 1.015904 2006 0.278310 2007 1.860136 2008 0.119815 Freq: A-DEC, dtype: float64根据年度时期的第一个月，每年的时期被取代为每月的时期。 ts.asfreq('M',how = 'start') 2001-01 0.859500 2002-01 -1.213256 2003-01 -0.591023 2004-01 -0.393317 2005-01 1.015904 2006-01 0.278310 2007-01 1.860136 2008-01 0.119815 Freq: M, dtype: float64每年的最后一个工作日，我们可以使用"B"频率，并指明想要该时期的末尾 ts.asfreq('B',how = 'end') 2001-12-31 0.859500 2002-12-31 -1.213256 2003-12-31 -0.591023 2004-12-31 -0.393317 2005-12-30 1.015904 2006-12-29 0.278310 2007-12-31 1.860136 2008-12-31 0.119815 Freq: B, dtype: float64 按季度计算的时期频率
季度型数据
许多季度型数据都会涉及"财年末"，通常是一年12个月的最后一个日历日或工作日。时期"2012Q4"根据财年末的不同会有不同含义。 >>> p = pd.Period('2012Q4',freq = 'Q-FEB') # Q-FEB是指2月末的工作日是财政年末 >>> p Period('2012Q4', 'Q-FEB') >>> p.asfreq('D','start') Period('2011-12-01', 'D') >>> p.asfreq('D','end') Period('2012-02-29', 'D') >>> from pandas.tseries.offsets import Hour >>> pm4 = (p.asfreq('B','end') - 1).asfreq('T','start') + 16 * Hour() >>> pm4 Period('2012-02-28 16:00', 'T') 季度型范围 >>> rng = pd.period_range('2012Q1','2012Q4',freq = 'Q-DEC') >>> rs = pd.Series(np.random.randn(len(rng)), index = rng) >>> rs 2012Q1 3.271631 2012Q2 0.030144 2012Q3 0.778939 2012Q4 -0.785795 Freq: Q-DEC, dtype: float64 >>> rng_new = (rs.index.asfreq('B','end') - 1 ).asfreq('T','start') + 16 * Hour() >>> rng_new PeriodIndex(['2012-03-29 16:00', '2012-06-28 16:00', '2012-09-27 16:00', '2012-12-28 16:00'], dtype='period[T]', freq='T') >>> rs1 = rs.copy() >>> rs.index PeriodIndex(['2012Q1', '2012Q2', '2012Q3', '2012Q4'] , dtype='period[Q-DEC]', freq='Q-DEC') 将period 转换为 timestamp >>> rs1.index = rng_new >>> rs1 2012-03-29 16:00 3.271631 2012-06-28 16:00 0.030144 2012-09-27 16:00 0.778939 2012-12-28 16:00 -0.785795 Freq: T, dtype: float64 >>> rs.index = rng_new.to_timestamp() >>> rs 2012-03-29 16:00:00 3.271631 2012-06-28 16:00:00 0.030144 2012-09-27 16:00:00 0.778939 2012-12-28 16:00:00 -0.785795 dtype: float64 >>> rs.index DatetimeIndex(['2012-03-29 16:00:00', '2012-06-28 16:00:00', '2012-09-27 16:00:00', '2012-12-28 16:00:00'], dtype='datetime64[ns]', freq=None) >>> rs1.index PeriodIndex(['2012-03-29 16:00', '2012-06-28 16:00', '2012-09-27 16:00', '2012-12-28 16:00'], dtype='period[T]', freq='T') Timestamp与Period互转将Timestamp转换为Period（及其反向过程） 通过使用to_period方法，可以将由时间戳索引的Series和DataFrame对象转换为以时期索引。 >>> rng = pd.date_range('2000-1-1',periods = 3, freq = 'M') >>> ts = pd.Series(np.random.randn(len(rng)), index = rng) >>> ts 2000-01-31 0.185383 2000-02-29 -0.304269 2000-03-31 1.447754 Freq: M, dtype: float64 >>> pts = ts.to_period() >>> pts 2000-01 0.185383 2000-02 -0.304269 2000-03 1.447754 Freq: M, dtype: float64 >>> rng = pd.date_range('2000-1-29',periods = 6, freq = 'D') >>> ts2 = pd.Series(np.random.randn(len(rng)), index = rng) >>> ts2 2000-01-29 -1.246242 2000-01-30 2.271754 2000-01-31 0.935833 2000-02-01 -0.527219 2000-02-02 -0.385504 2000-02-03 0.504284 Freq: D, dtype: float64新PeriodIndex的频率默认是从时间戳推断而来的，你也可以指定任何别的频率 >>> ts2.to_period('M') # 结果中允许存在重复时期 2000-01 -1.246242 2000-01 2.271754 2000-01 0.935833 2000-02 -0.527219 2000-02 -0.385504 2000-02 0.504284 Freq: M, dtype: float64要转换回时间戳，使用to_timestamp即可。 >>> pts = ts2.to_period() >>> ts3 = pts.to_timestamp(how = 'end') >>> ts3 2000-01-29 23:59:59.999999999 -1.246242 2000-01-30 23:59:59.999999999 2.271754 2000-01-31 23:59:59.999999999 0.935833 2000-02-01 23:59:59.999999999 -0.527219 2000-02-02 23:59:59.999999999 -0.385504 2000-02-03 23:59:59.999999999 0.504284 Freq: D, dtype: float64 通过数组创建PeriodIndex某些数据集中时间信息是分开在多个列存放的，可以通过PeriodIndex的参数将这些列组合在一起。 >>> year = [2017, 2017, 2017, 2017, 2018, 2018, 2018, 2018] >>> quarter = [1,2,3,4,1,2,3,4] >>> index = pd.PeriodIndex(year=year,quarter=quarter,freq='Q-DEC') >>> index PeriodIndex(['2017Q1', '2017Q2', '2017Q3', '2017Q4', '2018Q1', '2018Q2', '2018Q3', '2018Q4'], dtype='period[Q-DEC]', freq='Q-DEC') 推荐阅读 1、时间序列 | 字符串和日期的相互转换2、时间序列 | pandas时间序列基础3、Python 基础 -- 数据STUDIO --
|
【本文地址】
公司简介
联系我们
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |