标签：closed 运行 end 数据转换 开始 range das 提前 pytho
将Timestamp转换为Period
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(‘1/1/2000‘,periods=3,freq=‘M‘)
ts=Series(randn(3),index=rng)
print(ts)
pts2=ts.to_period(freq=‘M‘)
print(pts2)
结果如下：ts是每个月最后一天的日期，pts2则是体现的是以月为周期的日子
2000-01-31 0.990097
2000-02-29 0.439761
2000-03-31 -3.395317
Freq: M, dtype: float64
2000-01 0.990097
2000-02 0.439761
2000-03 -3.395317
Freq: M, dtype: float64
如果要转换回时间戳，则可以使用pts2.to_timestamp(how=‘end‘)的方法
2000-01-31 -0.489228
2000-02-29 -1.583283
2000-03-31 -2.414735
Freq: M, dtype: float64
重采样及频率转换
将高频率数据转换为低频率称为降采样，而将低频率数据转换为高频率称为升采样。pandas中的resample方法就可以进行这种频率转换
rng=pd.date_range(‘1/1/2000‘,periods=50,freq=‘D‘)
ts=Series(randn(50),index=rng)
print(ts.resample(‘M‘).mean())
运行结果如下，在这里ts是以天级的数据，但是通过resample(‘M’)转换为月度的数据，且对属于同一个月的数据进行求平均的计算。得到的就是每个月的平均值
2000-01-31 -0.276265
2000-02-29 -0.052926
Freq: M, dtype: float64
降采样：
在降采样的时候，需要考虑两样东西：
1 各区间哪边是闭合的
2 如何标记各个聚合面元，用区间的开头还是末尾
来看如下代码：
rng=pd.date_range(‘1/1/2000‘,periods=12,freq=‘T‘)
ts=Series(np.arange(12),index=rng)
print(ts)
2000-01-01 00:00:00 0
2000-01-01 00:01:00 1
2000-01-01 00:02:00 2
2000-01-01 00:03:00 3
2000-01-01 00:04:00 4
2000-01-01 00:05:00 5
2000-01-01 00:06:00 6
2000-01-01 00:07:00 7
2000-01-01 00:08:00 8
2000-01-01 00:09:00 9
2000-01-01 00:10:00 10
2000-01-01 00:11:00 11
print(ts.resample(‘5min‘, closed=‘left‘).sum())
左闭合的时候统计是以00:00:00为开始的5分钟周期
2000-01-01 00:00:00 10
2000-01-01 00:05:00 35
2000-01-01 00:10:00 21
print(ts.resample(‘5min‘,closed=‘right‘).sum())
右闭合的时候统计是以00:00:00为结束的5分钟周期，因为时间提前到了1999-12-31 23:55:00这个时候。
1999-12-31 23:55:00 0
2000-01-01 00:00:00 15
2000-01-01 00:05:00 40
2000-01-01 00:10:00 11
因此左闭合还是右闭合取决与时间的开始和结束
在金融领域中有一种无所不在的时间序列聚合方式，即计算各面元的4个值，第一个值open:开盘，最后一个值close:收盘，最大值high:最高，最小值low:最低
ts.resample(‘5min‘, closed=‘left‘).ohlc()
open high low close
2000-01-01 00:00:00 0 4 0 4
2000-01-01 00:05:00 5 9 5 9
2000-01-01 00:10:00 10 11 10 11
标签：closed 运行 end 数据转换 开始 range das 提前 pytho
原文地址：https://www.cnblogs.com/zhanghongfeng/p/8859047.html
