Pandas時(shí)間序列基礎(chǔ)詳解(轉(zhuǎn)換,索引,切片)
更新時(shí)間：2020年02月26日 10:24:04 作者：Roddy_Liu
今天小編就為大家分享一篇Pandas時(shí)間序列基礎(chǔ)詳解(轉(zhuǎn)換,索引,切片)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
時(shí)間序列的類(lèi)型：
時(shí)間戳：具體的時(shí)刻
固定的時(shí)間區(qū)間：例如2007年的1月或整個(gè)2010年
時(shí)間間隔：由開(kāi)始時(shí)間和結(jié)束時(shí)間表示，時(shí)間區(qū)間可以被認(rèn)為是間隔的特殊情況
實(shí)驗(yàn)時(shí)間和消耗時(shí)間：每個(gè)時(shí)間是相對(duì)于特定開(kāi)始時(shí)間的時(shí)間的量度，（例如自從被放置在烤箱中每秒烘烤的餅干的直徑）
日期和時(shí)間數(shù)據(jù)的類(lèi)型及工具
datetime模塊中的類(lèi)型：
date 使用公歷日歷存儲(chǔ)日歷日期（年，月，日） time 將時(shí)間存儲(chǔ)為小時(shí)，分鐘，秒，微秒 datetime 存儲(chǔ)日期和時(shí)間 timedelta 表示兩個(gè)datetime值之間的差（如日，秒，微秒） tzinfo 用于存儲(chǔ)時(shí)區(qū)信息的基本類(lèi)型 from datetime import datetime now = datetime.now() now.year #當(dāng)時(shí)年份 now.month #當(dāng)前月份 now.day #當(dāng)前天 now.time() #當(dāng)前時(shí)間 datetime.time(12, 27, 41, 303676) 兩個(gè)時(shí)間戳運(yùn)算得到一個(gè)timedelta(時(shí)間差)類(lèi)型
日期時(shí)間差 timedelta類(lèi)型
from datetime import timedelta start = datetime(2019,2,5) start + timedelta(20) #默認(rèn)為天 datetime.datetime(2019, 2, 25, 0, 0)
字符串和datetime互相轉(zhuǎn)換
date.strptime方法將字符串轉(zhuǎn)換為時(shí)間
values = '2019-8-9' datetime.strptime(values,'%Y-%m-%d') #是在已知格式的前提下轉(zhuǎn)換日期的好方式 datetime.datetime(2019, 8, 9, 0, 0) datestrs = ['2019-8-7','2019-8-9'] [datetime.strptime(values,'%Y-%m-%d') for values in datestrs] [datetime.datetime(2019, 8, 7, 0, 0), datetime.datetime(2019, 8, 9, 0, 0)]
更為通用的日期轉(zhuǎn)換格式
from dateutil.parser import parse
parse(values)
datetime.datetime(2019, 8, 9, 0, 0)
parse('8,5,2018',dayfirst=True) #dayfirst參數(shù) 第一個(gè)元素是天
datetime.datetime(2018, 5, 8, 0, 0)
pd.to_datetime() 用于軸索引或DataFrame的列
pd.to_datetime(datestrs)
DatetimeIndex(['2019-08-07', '2019-08-09'], dtype='datetime64[ns]', freq=None)
更為簡(jiǎn)單的轉(zhuǎn)換
datetime(2019,1,1)
datetime.datetime(2019, 1, 1, 0, 0)
時(shí)間序列的算術(shù)運(yùn)算（在日期上自動(dòng)對(duì)齊）
index = pd.date_range('3/3/2018',periods=20)
ts = pd.Series(np.random.randn(20),index=index)
ts
2018-03-03 0.611591
2018-03-04 0.119168
2018-03-05 0.514390
2018-03-06 1.010600
2018-03-07 0.181763
2018-03-08 -0.290964
2018-03-09 0.252927
2018-03-10 -1.645692
2018-03-11 -0.500014
2018-03-12 -1.247355
ts1 = ts[::2]
2018-03-03 0.611591
2018-03-05 0.514390
2018-03-07 0.181763
2018-03-09 0.252927
2018-03-11 -0.500014
2018-03-13 -0.122307
2018-03-15 0.361237
2018-03-17 -1.894853
2018-03-19 -1.608989
2018-03-21 1.274982
Freq: 2D, dtype: float64
ts + ts1
2018-03-03 1.223183
2018-03-04 NaN
2018-03-05 1.028781
2018-03-06 NaN
2018-03-07 0.363526
2018-03-08 NaN
2018-03-09 0.505853
2018-03-10 NaN
2018-03-11 -1.000028
2018-03-12 NaN
2018-03-13 -0.244613
2018-03-14 NaN
2018-03-15 0.722473
2018-03-16 NaN
2018-03-17 -3.789707
2018-03-18 NaN
2018-03-19 -3.217979
2018-03-20 NaN
2018-03-21 2.549963
2018-03-22 NaN
ts.index.dtype #數(shù)據(jù)；類(lèi)型在納秒級(jí)的分辨率下存儲(chǔ)時(shí)間戳
dtype('<M8[ns]')
ts.index[0] #datetimeindex中的標(biāo)量值是一個(gè)時(shí)間戳（timestamp）
Timestamp('2018-03-03 00:00:00', freq='D')
時(shí)間序列的索引，選擇，子集
時(shí)間序列的索引
ts = pd.Series(np.random.randn(1000),index = pd.date_range('1/1/2016',periods=1000))
s['2018-6'] #時(shí)間序列的索引 也可用ts.loc[]
2018-06-01 1.371843
2018-06-02 -0.356041
2018-06-03 0.111452
2018-06-04 0.325222
2018-06-05 -0.863138
2018-06-06 -0.115909
2018-06-07 0.062894
2018-06-08 0.223712
時(shí)間序列的切片
ts['2018-9-23':] #時(shí)間序列的切片 2018-09-23 0.005519 2018-09-24 -1.374038 2018-09-25 1.769112 2018-09-26 -0.000306 Freq: D, dtype: float64 ts.truncate(before='2018-9-24') #使用truncate方法向后切片 2018-09-24 -1.374038 2018-09-25 1.769112 2018-09-26 -0.000306 Freq: D, dtype: float64 ts.truncate(after='2016-1-4') #向前切片 2016-01-01 -1.776334 2016-01-02 -0.488550 2016-01-03 -1.299889 2016-01-04 -1.883413 Freq: D, dtype: float64
含有重復(fù)索引的時(shí)間序列的分組處理
index = pd.DatetimeIndex(['1/1/2017','1/1/2017','1/2/2017','1/3/2017']) dup_ta = pd.Series(np.arange(4),index=index) dup_ta 2017-01-01 0 2017-01-01 1 2017-01-02 2 2017-01-03 3 dtype: int32 dup_ta.groupby(level=0).mean()
以上這篇Pandas時(shí)間序列基礎(chǔ)詳解(轉(zhuǎn)換,索引,切片)就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Numpy數(shù)組array和矩陣matrix轉(zhuǎn)換方法
這篇文章主要介紹了Numpy數(shù)組array和矩陣matrix轉(zhuǎn)換方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08
Python簡(jiǎn)單過(guò)濾字母和數(shù)字的方法小結(jié)
這篇文章主要介紹了Python簡(jiǎn)單過(guò)濾字母和數(shù)字的方法,涉及Python基于內(nèi)置函數(shù)與正則表達(dá)式進(jìn)行字母和數(shù)字過(guò)濾的相關(guān)操作技巧,需要的朋友可以參考下2019-01-01
自定義實(shí)現(xiàn) PyQt5 下拉復(fù)選框 ComboCheckBox的完整代碼
這篇文章主要介紹了自定義實(shí)現(xiàn) PyQt5 下拉復(fù)選框 ComboCheckBox的完整代碼，本文通過(guò)實(shí)例代碼講解的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-03-03
Python實(shí)現(xiàn)兩種稀疏矩陣的最小二乘法
這篇文章主要為大家詳細(xì)介紹了Python實(shí)現(xiàn)的兩種稀疏矩陣最小二乘法lsqr和lsmr，前者是經(jīng)典算法，后者來(lái)自斯坦福優(yōu)化實(shí)驗(yàn)室，據(jù)稱(chēng)可以比lsqr更快收斂，感興趣的可以了解一下2023-02-02
這篇文章主要介紹了利用Python中的Pygame模塊繪制一個(gè)彩色的圓環(huán)，文中的示例代碼講解詳細(xì)，對(duì)我們學(xué)習(xí)Pygame有一定幫助，需要的可以參考一下2022-01-01
這篇文章主要介紹了python中hashlib模塊用法示例，具有一定參考價(jià)值，需要的朋友可以了解下。2017-10-10
今天小編就為大家分享一篇python在每個(gè)字符后添加空格的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-05-05
這篇文章主要為大家詳細(xì)介紹了python批量讀取文件名并寫(xiě)入txt文件中，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-08-08
python動(dòng)態(tài)視頻下載器的實(shí)現(xiàn)方法
這里向大家分享一下python爬蟲(chóng)的一些應(yīng)用，主要是用爬蟲(chóng)配合簡(jiǎn)單的GUI界面實(shí)現(xiàn)視頻，音樂(lè)和小說(shuō)的下載器。今天就先介紹如何實(shí)現(xiàn)一個(gè)動(dòng)態(tài)視頻下載器，需要的朋友可以參考下2019-09-09
python腳本實(shí)現(xiàn)分析dns日志并對(duì)受訪(fǎng)域名排行
這篇文章主要介紹了python腳本實(shí)現(xiàn)分析dns日志并對(duì)受訪(fǎng)域名排行,本文是在Windows服務(wù)器環(huán)境中實(shí)現(xiàn),需要的朋友可以參考下2014-09-09