标签：src 解释 移动 标准 技术 不能 img 频率 strong
生成20个DatetimeIndex
from datetime import datetime dates = pd.date_range(start=‘2019-04-01‘,periods=20) dates
用这20个索引作为ts的索引
ts = pd.Series(np.random.randn(20),index=dates) ts
不同索引的时间序列之间的算术运算在日期上自动对齐
ts + ts[::2]
pandas使用numpy的datetime64数据类型在纳秒级的分辨率下存储时间戳
ts.index.dtype
DatetimeIndex中的标量值是pandas的Timestamp对象
stamp =ts.index[0] stamp
ts是一个series；
stamp是索引为2的时间戳，Timestamp(‘2019-04-03 00:00:00‘, freq=‘D‘)
stamp =ts.index[2]
ts[stamp]
为了方便,可以传递一个能解释为日期的字符串
longer_ts = pd.Series(np.random.randn(10),index=pd.date_range(‘4/1/2019‘,periods=10)) longer_ts
选择2019年4月份的所有数据
longer_ts.loc[‘2019-4‘]#可以写成‘2019/04‘,不能写成‘201904‘
选择2019年的所有数据
longer_ts[‘2019‘]
ts[datetime(2019,1,1):]
ts[‘1/4/2019‘:‘4/10/2019‘]
truncate也可以实现在两个日期间对Series进行切片
ts.truncate(after=‘4/3/2019‘)
以上操作也都适用于DataFrame
在某些应用中，可能会有多个数据观察值落在特定的时间戳中。
dates = pd.DatetimeIndex([‘4/1/2019‘,‘4/2/2019‘,‘4/2/2019‘,‘4/2/2019‘,‘4/3/2019‘]) dup_ts = pd.Series(np.arange(5),index=dates) dup_ts
通过检查索引的is_unique属性，我们可以看出索引并不是唯一的。
dup_ts.index.is_unique
对上面的Series进行索引，结果是标量值还是Series切片取决于是否有时间戳是重复的。
假设你想要聚合含有非唯一时间戳的数据，一种方式就是使用groupby并传递level=0
有些应用中经常需要处理固定频率的场景，例如每日的、每月的或每10分钟，这意味着我们甚至需要在必要的时候向时间序列中引入缺失值。pandas可以帮助我们重新采样、推断频率以及生成固定频率的数据范围。
index = pd.date_range(‘2019-4-1‘,‘2019-4-30‘) index
默认情况下，date_range生成的是每日的时间戳，如果只传递一个起始或结尾日期，就必须要传递一个用于生成范围的数字
pd.date_range(start=‘2019-4-1‘,periods=30)
pd.date_range(end=‘2019-4-30‘,periods=30)
开始日期和结束日期严格定义了生成日期索引的边界。如果，需要一个包含每月最后业务日期的时间索引，可以传递“BM”频率（business and of month，月度业务结尾），只有落在或在日期范围内的日期会包括：
pd.date_range(start=‘2019-1‘,end=‘2019-12‘,freq=‘BM‘)
其他的一些频率值，见下图
有时候会获得包含时间信息的开始日期或结束日期，但是想要生成的是标准化为零点的时间戳。用normalize=Tue就可以解决。
pd.date_range(start=‘2019-4-1 12:45:23‘,periods=5) #不加normalize
pd.date_range(start=‘2019-4-1 12:45:23‘,periods=5,normalize=True)
pandas中的频率是由基础频率和倍数组成的。基础频率通常会有字符串别名，例如‘M’代表每月，‘H’代表每小时。对于每个基础频率，都有一个对象可以被用于定义日期偏置。例如，每小时的频率可以使用Hour类来表示。
from pandas.tseries.offsets import Hour,Minute hour = Hour() hour
four_hours = Hour(4) four_hours
pd.date_range(start=‘2019-4-1‘,periods=5,freq=‘4h‘)
pd.date_range(start=‘2019-4-1‘,periods=5,freq=‘1h30min‘)
月中某星期的日期week of month
例子：每月第三个星期五
rng = pd.date_range(‘2019-4-1‘,‘2019-7-5‘,freq=‘WOM-3FRI‘) list(rng)
“移位”是指将日期按时间向前移动或向后移动。Series和DataFrame都有一个shift方法用于进行简单的前向或后向移位，而不改变索引。
ts = pd.Series(np.random.randn(4),
index=pd.date_range(‘4/1/2019‘,periods=4,freq=‘M‘))
ts
ts.shift(2)
ts.shift(-2)
由于简单移位并不改变索引，一些数据会被丢弃。因此，如果频率是已知的，则可以将频率传递给shift来推移时间戳而不是简单的数据：
ts.shift(2,freq=‘D‘)
ts.shift(2,freq=‘M‘) #‘M‘日历月末
ts.shift(2,freq=‘BM‘) #‘BM‘月内最后工作日
from pandas.tseries.offsets import Day,MonthEnd now = datetime.now() now
now + 3 * Day()
如果添加锚定偏置量，比如MonthEnd，根据频率规则，第一个增量会将日期“前滚”到下一个日期:
now + MonthEnd()
now + MonthEnd(2)
锚定偏置可以使用rollforward和rollback分别显示地将日期向前或向后“滚动”；
offset = MonthEnd() offset.rollforward(now)
offset.rollback(now)
将移位方法与groupby一起使用是日期偏置的一种创造性用法：
ts = pd.Series(np.random.randn(20),index=pd.date_range(‘4/1/2019‘,periods=20,freq=‘4d‘)) ts
ts.groupby(offset.rollforward).mean()
resample可以得到同样的结果
ts.resample(‘M‘).mean()
待用到时候再添加
标签：src 解释 移动 标准 技术 不能 img 频率 strong
原文地址：https://www.cnblogs.com/nxf-rabbit75/p/10662025.html
