Python 数据分析三剑客之 Pandas（九）：时间序列
生活随笔
收集整理的這篇文章主要介紹了
Python 数据分析三剑客之 Pandas（九）：时间序列
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
CSDN 課程推薦：《邁向數據科學家：帶你玩轉Python數據分析》，講師齊偉，蘇州研途教育科技有限公司CTO，蘇州大學應用統計專業碩士生指導委員會委員；已出版《跟老齊學Python：輕松入門》《跟老齊學Python：Django實戰》、《跟老齊學Python：數據分析》和《Python大學實用教程》暢銷圖書。
Pandas 系列文章：
- Python 數據分析三劍客之 Pandas（一）：認識 Pandas 及其 Series、DataFrame 對象
- Python 數據分析三劍客之 Pandas（二）：Index 索引對象以及各種索引操作
- Python 數據分析三劍客之 Pandas（三）：算術運算與缺失值的處理
- Python 數據分析三劍客之 Pandas（四）：函數應用、映射、排序和層級索引
- Python 數據分析三劍客之 Pandas（五）：統計計算與統計描述
- Python 數據分析三劍客之 Pandas（六）：GroupBy 數據分裂、應用與合并
- Python 數據分析三劍客之 Pandas（七）：合并數據集
- Python 數據分析三劍客之 Pandas（八）：數據重塑、重復數據處理與數據替換
- Python 數據分析三劍客之 Pandas（九）：時間序列
- Python 數據分析三劍客之 Pandas（十）：數據讀寫
另有 NumPy、Matplotlib 系列文章已更新完畢，歡迎關注：
- NumPy 系列文章：https://itrhx.blog.csdn.net/category_9780393.html
- Matplotlib 系列文章：https://itrhx.blog.csdn.net/category_9780418.html
推薦學習資料與網站（博主參與部分文檔翻譯）：
- NumPy 官方中文網：https://www.numpy.org.cn/
- Pandas 官方中文網：https://www.pypandas.cn/
- Matplotlib 官方中文網：https://www.matplotlib.org.cn/
- NumPy、Matplotlib、Pandas 速查表：https://github.com/TRHX/Python-quick-reference-table
文章目錄
- 【01x00】時間序列
- 【02x00】Timestamp 時間戳
- 【02x01】pandas.Timestamp
- 【02x02】freq 頻率部分取值
- 【02x03】to_datetime
- 【02x04】date_range
- 【02x05】索引與切片
- 【02x06】移動數據與數據偏移
- 【02x07】時區處理
- 【03x00】period 固定時期
- 【03x01】pandas.Period
- 【03x02】period_range
- 【03x03】asfreq 時期頻率轉換
- 【03x04】to_period 與 to_timestamp()
- 【04x00】timedelta 時間間隔
- 【04x01】pandas.Timedelta
- 【04x02】to_timedelta
- 【04x03】timedelta_range
- 【05x00】重采樣及頻率轉換
這里是一段防爬蟲文本，請讀者忽略。 本文原創首發于 CSDN，作者 TRHX。 博客首頁：https://itrhx.blog.csdn.net/ 本文鏈接：https://itrhx.blog.csdn.net/article/details/106947061 未經授權，禁止轉載！惡意轉載，后果自負！尊重原創，遠離剽竊！
【01x00】時間序列
官網對于時間序列的介紹：https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html
時間序列（time series）是一種重要的結構化數據形式，應用于多個領域，包括金融學、經濟學、生態學、神經科學、物理學等。在多個時間點觀察或測量到的任何事物都可以形成一段時間序列。很多時間序列是固定頻率的，也就是說，數據點是根據某種規律定期出現的（比如每15秒、每5分鐘、每月出現一次）。時間序列也可以是不定期的，沒有固定的時間單位或單位之間的偏移量。時間序列數據的意義取決于具體的應用場景，主要有以下幾種：
-
時間戳（timestamp），表示某個具體的時間點，例如 2020-6-24 15:30；
-
固定周期（period），表示某個時間周期，例如 2020-01；
-
時間間隔（timedelta），持續時間，即兩個日期或時間之間的差異。
-
針對時間戳數據，Pandas 提供了 Timestamp 類型。它本質上是 Python 的原生 datetime 類型的替代品，但是在性能更好的 numpy.datetime64 類型的基礎上創建。對應的索引數據結構是 DatetimeIndex。
-
針對時間周期數據，Pandas 提供了 Period 類型。這是利用 numpy.datetime64 類型將固定頻率的時間間隔進行編碼。對應的索引數據結構是 PeriodIndex。
-
針對時間增量或持續時間，Pandas 提供了 Timedelta 類型。Timedelta 是一種代替 Python 原生datetime.timedelta 類型的高性能數據結構，同樣是基于 numpy.timedelta64 類型。對應的索引數據結構是 TimedeltaIndex。
【02x00】Timestamp 時間戳
【02x01】pandas.Timestamp
在 pandas 中，pandas.Timestamp 方法用來代替 Python 中的 datetime.datetime 方法。
Timestamp 與 Python 的 Datetime 等效，在大多數情況下都可以互換。 此類型用于組成 DatetimeIndex 以及 Pandas 中其他面向時間序列的數據結構。
官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.Timestamp.html
基本語法：
class pandas.Timestamp(ts_input=<object object>, freq=None, tz=None, unit=None, year=None, month=None, day=None, hour=None, minute=None, second=None, microsecond=None, nanosecond=None, tzinfo=None)常用參數：
| ts_input | 要轉換為時間戳的對象，可以是 datetime-like，str，int，float 類型 |
| freq | 時間戳將具有的偏移量，可以是 str，日期偏移量類型，取值參見【02x02】freq 頻率部分取值 |
| tz | 時間戳將具有的時區 |
| unit | 如果 ts_input 是整數或浮點數，該參數用于設置其單位（D、s、ms、us、ns） |
簡單示例：
>>> import pandas as pd >>> pd.Timestamp('2017-01-01T12') Timestamp('2017-01-01 12:00:00')設置 unit='s'，即待轉換對象單位為秒：
>>> import pandas as pd >>> pd.Timestamp(1513393355.5, unit='s') Timestamp('2017-12-16 03:02:35.500000')使用 tz 參數設置時區：
>>> import pandas as pd >>> pd.Timestamp(1513393355, unit='s', tz='US/Pacific') Timestamp('2017-12-15 19:02:35-0800', tz='US/Pacific')單獨設置年月日：
>>> import pandas as pd >>> pd.Timestamp(year=2020, month=6, day=24, hour=12) Timestamp('2020-06-24 12:00:00')【02x02】freq 頻率部分取值
完整取值參見官方文檔：https://pandas.pydata.org/docs/user_guide/timeseries.html#timeseries-offset-aliases
| D | Day | 每日歷日 |
| B | BusinessDay | 每工作日 |
| H | Hour | 每小時 |
| T 或 min | Minute | 每分 |
| S | Second | 每秒 |
| L 或 ms | Milli | 每毫秒（即每千分之一秒） |
| U | Micro | 每微秒（即每百萬分之一秒） |
| M | MonthEnd | 每月最后一個日歷日 |
| BM | BusinessMonthEnd | 每月最后一個工作日 |
| MS | MonthBegin | 每月第一個日歷日 |
| BMS | BusinessMonthBegin | 每月第一個工作日 |
| W-MON、W-TUE… | Week | 從指定的星期幾（MON、TUE、 WED、THU、FR、SAT、SUN）開始算起，每周 |
| WoM-1MON、WOM-2MON… | WeekOfMonth | 產生每月第一、第二、第三或第四周的星期幾。例如，WoM-3FRI 表示每月第3個星期五 |
| Q-JAN、Q-FEB… | QuarterEnd | 對于以指定月份（JAN、FEB、MAR、APR、MAY、JUN、JUL、AUG、SEP、OCT、NOV、DEC）結束的年度，每季度最后一月的最后個日歷日 |
| BQ-JAN、BQ-FEB… | BusinessQuarterEnd | 對于以指定月份結束的年度，每季度最后一月的最后一個工作日 |
| QS-JAN、QS-FEB… | QuarterBegin | 對于以指定月份結束的年度，每季度最后一月的第一個日歷日 |
| BQS-JAN、 BQS-FEB… | BusinessQuarterBegin | 對于以指定月份結束的年度，每季度最后一月的第一個工作日 |
| A-JAN、A-FEB… | YearEnd | 每年指定月份（JAN、FEB、MAR、APR、MAY、JUN、JUL、AUG、SEP、 OCT、NOV、DEC）的最后一個日歷日 |
| BA-JAN、BA-FEB… | BusinessYearEnd | 每年指定月份的最后一個工作日 |
| AS-JAN、AS-FEB… | YearBegin | 每年指定月份的第一個歷日日 |
| BAS-JAN、BAS-FEB… | BusinessYearBegin | 每年指定月份的第一個工作日 |
【02x03】to_datetime
在 Python 中，datetime 庫提供了日期和時間處理方法，利用 str 或 strftime 方法可以將 datetime 對象轉化成字符串，具體用法可參見【Python 標準庫學習】日期和時間處理庫 — datetime。
>>> from datetime import datetime >>> stamp = datetime(2020, 6, 24) >>> stamp datetime.datetime(2020, 6, 24, 0, 0) >>> >>> str(stamp) '2020-06-24 00:00:00' >>> >>> stamp.strftime('%Y-%m-%d') '2020-06-24'在 pandas 中 to_datetime 方法可以將字符串解析成多種不同的 Timestamp（時間戳） 對象：
>>> import pandas as pd >>> datestrs = '2011-07-06 12:00:00' >>> type(datestrs) <class 'str'> >>> >>> pd.to_datetime(datestrs) Timestamp('2011-07-06 12:00:00')基本語法：
pandas.to_datetime(arg, errors='raise', dayfirst=False, yearfirst=False, utc=None, format=None, exact=True, unit=None, infer_datetime_format=False, origin='unix', cache=True)官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.to_datetime.html
常用參數：
| arg | 要轉換為日期時間的對象，可以接受 int, float, str, datetime, list, tuple, 1-d array, Series DataFrame/dict-like 類型 |
| errors | 如果字符串不滿足時間戳的形式，是否會發生異常 ignore：不引發異常，返回原始輸入；raise：無效解析將引發異常（默認）；coerce：無效解析將被設置為NaT |
| dayfirst | bool 類型，默認 False，如果 arg 是 str 或列表，是否首先解析為日期 例如 dayfirst 為 True，10/11/12 被解析為 2012-11-10，為 False 則解析為 2012-10-11 |
| yearfirst | bool 類型，默認 False，如果 arg 是 str 或列表，是否首先解析為年份 例如 dayfirst 為 True，10/11/12 被解析為 2010-11-12，為 False 則解析為 2012-10-11 如果 dayfirst 和 yearfirst 都為 True，則優先 yearfirst |
| utc | bool 類型，是否轉換為協調世界時，默認 None |
| format | 格式化時間，如 21/2/20 16:10 使用 %d/%m/%y %H:%M 會被解析為 2020-02-21 16:10:00 符號含義常見文章：【Python 標準庫學習】日期和時間處理庫 — datetime 或者官方文檔 |
| exact | 如果為 True，則需要精確的格式匹配。如果為 False，則允許格式與目標字符串中的任何位置匹配 |
| unit | 如果 arg 是整數或浮點數，該參數用于設置其單位（D、s、ms、us、ns） |
簡單應用：
>>> import pandas as pd >>> obj = pd.DataFrame({'year': [2015, 2016], 'month': [2, 3], 'day': [4, 5]}) >>> objyear month day 0 2015 2 4 1 2016 3 5 >>> >>> pd.to_datetime(obj) 0 2015-02-04 1 2016-03-05 dtype: datetime64[ns]設置 format 和 errors 參數：
>>> import pandas as pd >>> pd.to_datetime('13000101', format='%Y%m%d', errors='ignore') datetime.datetime(1300, 1, 1, 0, 0) >>> >>> pd.to_datetime('13000101', format='%Y%m%d', errors='coerce') NaT >>> >>> pd.to_datetime('13000101', format='%Y%m%d', errors='raise') Traceback (most recent call last): ... pandas._libs.tslibs.np_datetime.OutOfBoundsDatetime: Out of bounds nanosecond timestamp: 1300-01-01 00:00:00設置 unit 參數：
>>> import pandas as pd >>> pd.to_datetime(1490195805, unit='s') Timestamp('2017-03-22 15:16:45') >>> >>> pd.to_datetime(1490195805433502912, unit='ns') Timestamp('2017-03-22 15:16:45.433502912')【02x04】date_range
pandas.date_range 方法可用于根據指定的頻率生成指定長度的 DatetimeIndex。
基本語法：
pandas.date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs) → pandas.core.indexes.datetimes.DatetimeIndex官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.date_range.html
| start | 開始日期 |
| end | 結束日期 |
| periods | int 類型，要生成的時段數（天） |
| freq | 頻率字符串，即按照某種特定的頻率來生成日期，取值參見【02x02】freq 頻率部分取值 |
| tz | 設置時區，例如 “Asia/Hong_Kong” |
| normalize | bool 類型，默認 False，是否在生成日期之前對其進行規范化（僅保留年月日） |
| name | 結果 DatetimeIndex 的名稱 |
| closed | None：默認值，同時保留開始日期和結束日期 'left'：保留開始日期，不保留結束日期 'right'：保留結束日期，不保留開始日期 |
簡單示例：
>>> import pandas as pd >>> pd.date_range(start='1/1/2018', end='1/08/2018') DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04','2018-01-05', '2018-01-06', '2018-01-07', '2018-01-08'],dtype='datetime64[ns]', freq='D')指定 periods 參數：
>>> import pandas as pd >>> pd.date_range(start='2012-04-01', periods=20) DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04','2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08','2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12','2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16','2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20'],dtype='datetime64[ns]', freq='D') >>> >>> pd.date_range(end='2012-06-01', periods=20) DatetimeIndex(['2012-05-13', '2012-05-14', '2012-05-15', '2012-05-16','2012-05-17', '2012-05-18', '2012-05-19', '2012-05-20','2012-05-21', '2012-05-22', '2012-05-23', '2012-05-24','2012-05-25', '2012-05-26', '2012-05-27', '2012-05-28','2012-05-29', '2012-05-30', '2012-05-31', '2012-06-01'],dtype='datetime64[ns]', freq='D') >>> >>> pd.date_range(start='2018-04-24', end='2018-04-27', periods=3) DatetimeIndex(['2018-04-24 00:00:00', '2018-04-25 12:00:00', '2018-04-27 00:00:00'],dtype='datetime64[ns]', freq=None) >>> >>> pd.date_range(start='2018-04-24', end='2018-04-28', periods=3) DatetimeIndex(['2018-04-24', '2018-04-26', '2018-04-28'], dtype='datetime64[ns]', freq=None)指定 freq='M' 會按照每月最后一個日歷日的頻率生成日期，指定 freq='3M' 會每隔3個月按照每月最后一個日歷日的頻率生成日期：
>>> import pandas as pd >>> pd.date_range(start='1/1/2018', periods=5, freq='M') DatetimeIndex(['2018-01-31', '2018-02-28', '2018-03-31', '2018-04-30','2018-05-31'],dtype='datetime64[ns]', freq='M') >>> >>> pd.date_range(start='1/1/2018', periods=5, freq='3M') DatetimeIndex(['2018-01-31', '2018-04-30', '2018-07-31', '2018-10-31','2019-01-31'],dtype='datetime64[ns]', freq='3M') >>>使用 tz 參數設置時區：
>>> import pandas as pd >>> pd.date_range(start='1/1/2018', periods=5, tz='Asia/Tokyo') DatetimeIndex(['2018-01-01 00:00:00+09:00', '2018-01-02 00:00:00+09:00','2018-01-03 00:00:00+09:00', '2018-01-04 00:00:00+09:00','2018-01-05 00:00:00+09:00'],dtype='datetime64[ns, Asia/Tokyo]', freq='D') >>> >>> pd.date_range(start='6/24/2020', periods=5, tz='Asia/Hong_Kong') DatetimeIndex(['2020-06-24 00:00:00+08:00', '2020-06-25 00:00:00+08:00','2020-06-26 00:00:00+08:00', '2020-06-27 00:00:00+08:00','2020-06-28 00:00:00+08:00'],dtype='datetime64[ns, Asia/Hong_Kong]', freq='D')設置 normalize 參數，在生成時間戳之前對其進行格式化操作：
>>> import pandas as pd >>> pd.date_range('2020-06-24 12:56:31', periods=5, normalize=True) DatetimeIndex(['2020-06-24', '2020-06-25', '2020-06-26', '2020-06-27','2020-06-28'],dtype='datetime64[ns]', freq='D')設置 closed 參數：
>>> import pandas as pd >>> pd.date_range(start='2020-06-20', end='2020-06-24', closed=None) DatetimeIndex(['2020-06-20', '2020-06-21', '2020-06-22', '2020-06-23','2020-06-24'],dtype='datetime64[ns]', freq='D') >>> >>> pd.date_range(start='2020-06-20', end='2020-06-24', closed='left') DatetimeIndex(['2020-06-20', '2020-06-21', '2020-06-22', '2020-06-23'], dtype='datetime64[ns]', freq='D') >>> >>> pd.date_range(start='2020-06-20', end='2020-06-24', closed='right') DatetimeIndex(['2020-06-21', '2020-06-22', '2020-06-23', '2020-06-24'], dtype='datetime64[ns]', freq='D')【02x05】索引與切片
Pandas 最基本的時間序列類型就是以時間戳（通常以 Python 字符串或 datatime 對象表示）為索引的Series，這些 datetime 對象實際上是被放在 DatetimeIndex 中的，可以使用類似 pandas.Series 對象的切片方法對其進行索引：
>>> import pandas as pd >>> import numpy as np >>> dates = [datetime(2011, 1, 2), datetime(2011, 1, 5),datetime(2011, 1, 7), datetime(2011, 1, 8),datetime(2011, 1, 10), datetime(2011, 1, 12)] >>> obj = pd.Series(np.random.randn(6), index=dates) >>> >>> obj 2011-01-02 -0.407110 2011-01-05 -0.186661 2011-01-07 -0.731080 2011-01-08 0.860970 2011-01-10 1.929973 2011-01-12 -0.168599 dtype: float64 >>> >>> obj.index DatetimeIndex(['2011-01-02', '2011-01-05', '2011-01-07', '2011-01-08','2011-01-10', '2011-01-12'],dtype='datetime64[ns]', freq=None) >>> >>> obj.index[0] Timestamp('2011-01-02 00:00:00') >>> >>> obj.index[0:3] DatetimeIndex(['2011-01-02', '2011-01-05', '2011-01-07'], dtype='datetime64[ns]', freq=None)另外還可以傳入一個可以被解釋為日期的字符串，或者只需傳入“年”或“年月”即可輕松選取數據的切片：
>>> import pandas as pd >>> import numpy as np >>> obj = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)) >>> obj 2000-01-01 -1.142284 2000-01-02 1.198785 2000-01-03 2.466909 2000-01-04 -0.086728 2000-01-05 -0.978437... 2002-09-22 -0.252240 2002-09-23 0.148561 2002-09-24 -1.330409 2002-09-25 -0.673471 2002-09-26 -0.253271 Freq: D, Length: 1000, dtype: float64 >>> >>> obj['26/9/2002'] -0.25327100684233356 >>> >>> obj['2002'] 2002-01-01 1.058715 2002-01-02 0.900859 2002-01-03 1.993508 2002-01-04 -0.103211 2002-01-05 -0.950090... 2002-09-22 -0.252240 2002-09-23 0.148561 2002-09-24 -1.330409 2002-09-25 -0.673471 2002-09-26 -0.253271 Freq: D, Length: 269, dtype: float64 >>> >>> obj['2002-09'] 2002-09-01 -0.995528 2002-09-02 0.501528 2002-09-03 -0.486753 2002-09-04 -1.083906 2002-09-05 1.458975 2002-09-06 -1.331685 2002-09-07 0.195338 2002-09-08 -0.429613 2002-09-09 1.125823 2002-09-10 1.607051 2002-09-11 0.530387 2002-09-12 -0.015938 2002-09-13 1.781043 2002-09-14 -0.277123 2002-09-15 0.344569 2002-09-16 -1.010810 2002-09-17 0.463001 2002-09-18 1.883636 2002-09-19 0.274520 2002-09-20 0.624184 2002-09-21 -1.203057 2002-09-22 -0.252240 2002-09-23 0.148561 2002-09-24 -1.330409 2002-09-25 -0.673471 2002-09-26 -0.253271 Freq: D, dtype: float64 >>> >>> obj['20/9/2002':'26/9/2002'] 2002-09-20 0.624184 2002-09-21 -1.203057 2002-09-22 -0.252240 2002-09-23 0.148561 2002-09-24 -1.330409 2002-09-25 -0.673471 2002-09-26 -0.253271 Freq: D, dtype: float64【02x06】移動數據與數據偏移
移動（shifting）指的是沿著時間軸將數據前移或后移。Series 和 DataFrame 都有一個 shift 方法用于執行單純的前移或后移操作，保持索引不變：
>>> import pandas as pd >>> import numpy as np >>> obj = pd.Series(np.random.randn(4),index=pd.date_range('1/1/2000', periods=4, freq='M')) >>> obj 2000-01-31 -0.100217 2000-02-29 1.177834 2000-03-31 -0.644353 2000-04-30 -1.954679 Freq: M, dtype: float64 >>> >>> obj.shift(2) 2000-01-31 NaN 2000-02-29 NaN 2000-03-31 -0.100217 2000-04-30 1.177834 Freq: M, dtype: float64 >>> >>> obj.shift(-2) 2000-01-31 -0.644353 2000-02-29 -1.954679 2000-03-31 NaN 2000-04-30 NaN Freq: M, dtype: float64因為簡單的移位操作不會修改索引，所以部分數據會被丟棄并引入 NaN（缺失值）。因此，如果頻率已知，則可以將其傳給 shift 以便實現對時間戳進行位移而不是對數據進行簡單位移：
>>> import pandas as pd >>> import numpy as np >>> obj = pd.Series(np.random.randn(4),index=pd.date_range('1/1/2000', periods=4, freq='M')) >>> obj 2000-01-31 -0.100217 2000-02-29 1.177834 2000-03-31 -0.644353 2000-04-30 -1.954679 Freq: M, dtype: float64 >>> >>> obj.shift(2, freq='M') 2000-03-31 -0.100217 2000-04-30 1.177834 2000-05-31 -0.644353 2000-06-30 -1.954679 Freq: M, dtype: float64Pandas 中的頻率是由一個基礎頻率（base frequency）和一個乘數組成的?；A頻率通常以一個字符串別名表示，比如 "M" 表示每月，"H" 表示每小時。對于每個基礎頻率，都有一個被稱為日期偏移量（date offset）的對象與之對應。例如，按小時計算的頻率可以用 Hour 類表示：
>>> from pandas.tseries.offsets import Hour, Minute >>> hour = Hour() >>> hour <Hour> >>> >>> four_hours = Hour(4) >>> four_hours <4 * Hours>一般來說，無需明確創建這樣的對象，只需使用諸如 "H" 或 "4H" 這樣的字符串別名即可。在基礎頻率前面放上一個整數即可創建倍數：
>>> import pandas as pd >>> pd.date_range('2000-01-01', '2000-01-03 23:59', freq='4h') DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 04:00:00','2000-01-01 08:00:00', '2000-01-01 12:00:00','2000-01-01 16:00:00', '2000-01-01 20:00:00','2000-01-02 00:00:00', '2000-01-02 04:00:00','2000-01-02 08:00:00', '2000-01-02 12:00:00','2000-01-02 16:00:00', '2000-01-02 20:00:00','2000-01-03 00:00:00', '2000-01-03 04:00:00','2000-01-03 08:00:00', '2000-01-03 12:00:00','2000-01-03 16:00:00', '2000-01-03 20:00:00'],dtype='datetime64[ns]', freq='4H')大部分偏移量對象都可通過加法進行連接：
>>> from pandas.tseries.offsets import Hour, Minute >>> Hour(2) + Minute(30) <150 * Minutes>對于 freq 參數也可以傳入頻率字符串（如 "2h30min"），這種字符串可以被高效地解析為等效的表達式：
>>> import pandas as pd >>> pd.date_range('2000-01-01', periods=10, freq='1h30min') DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 01:30:00','2000-01-01 03:00:00', '2000-01-01 04:30:00','2000-01-01 06:00:00', '2000-01-01 07:30:00','2000-01-01 09:00:00', '2000-01-01 10:30:00','2000-01-01 12:00:00', '2000-01-01 13:30:00'],dtype='datetime64[ns]', freq='90T')這種偏移量還可以用在 datetime 或 Timestamp 對象上：
>>> from pandas.tseries.offsets import Day, MonthEnd >>> now = datetime(2011, 11, 17) >>> now + 3 * Day() Timestamp('2011-11-20 00:00:00')如果加的是錨點偏移量，比如 MonthEnd，第一次增量會將原日期向前滾動到符合頻率規則的下一個日期：
>>> from pandas.tseries.offsets import Day, MonthEnd >>> now = datetime(2011, 11, 17) >>> now + MonthEnd() Timestamp('2011-11-30 00:00:00') >>> now + MonthEnd(2) Timestamp('2011-12-31 00:00:00')通過錨點偏移量的 rollforward 和 rollback 方法，可明確地將日期向前或向后滾動：
>>> from pandas.tseries.offsets import Day, MonthEnd >>> now = datetime(2011, 11, 17) >>> offset = MonthEnd() >>> offset.rollforward(now) Timestamp('2011-11-30 00:00:00') >>> offset.rollback(now) Timestamp('2011-10-31 00:00:00')與 groupby 方法結合使用：
>>> import pandas as pd >>> import numpy as np >>> from pandas.tseries.offsets import Day, MonthEnd >>> obj = pd.Series(np.random.randn(20),index=pd.date_range('1/15/2000', periods=20, freq='4d')) >>> obj 2000-01-15 -0.591729 2000-01-19 -0.775844 2000-01-23 -0.745603 2000-01-27 -0.076439 2000-01-31 1.796417 2000-02-04 -0.500349 2000-02-08 0.515851 2000-02-12 -0.344171 2000-02-16 0.419657 2000-02-20 0.307288 2000-02-24 0.115113 2000-02-28 -0.362585 2000-03-03 1.074892 2000-03-07 1.111366 2000-03-11 0.949910 2000-03-15 -1.535727 2000-03-19 0.545944 2000-03-23 -0.810139 2000-03-27 -1.260627 2000-03-31 -0.128403 Freq: 4D, dtype: float64 >>> >>> offset = MonthEnd() >>> obj.groupby(offset.rollforward).mean() 2000-01-31 -0.078640 2000-02-29 0.021543 2000-03-31 -0.006598 dtype: float64【02x07】時區處理
在 Python 中，時區信息來自第三方庫 pytz，使用 pytz.common_timezones 方法可以查看所有的時區名稱，使用 pytz.timezone 方法從 pytz 中獲取時區對象：
>>> import pytz >>> pytz.common_timezones ['Africa/Abidjan', 'Africa/Accra', 'Africa/Addis_Ababa', ..., 'UTC'] >>> >>> tz = pytz.timezone('Asia/Shanghai') >>> tz <DstTzInfo 'Asia/Shanghai' LMT+8:06:00 STD> # 表示與 UTC 時間相差8小時6分在 date_range 方法中，tz 參數用于指定時區，默認為 None，可以使用 tz_localize 方法將其進行本地化時區轉換，如下示例中，將無時區轉本地化 UTC 時區：
>>> import pandas as pd >>> import numpy as np >>> rng = pd.date_range('3/9/2012 9:30', periods=6, freq='D') >>> ts = pd.Series(np.random.randn(len(rng)), index=rng) >>> ts 2012-03-09 09:30:00 -1.527913 2012-03-10 09:30:00 -1.116101 2012-03-11 09:30:00 0.359358 2012-03-12 09:30:00 -0.475920 2012-03-13 09:30:00 -0.336570 2012-03-14 09:30:00 -1.075952 Freq: D, dtype: float64 >>> >>> print(ts.index.tz) None >>> >>> ts_utc = ts.tz_localize('UTC') >>> ts_utc 2012-03-09 09:30:00+00:00 -1.527913 2012-03-10 09:30:00+00:00 -1.116101 2012-03-11 09:30:00+00:00 0.359358 2012-03-12 09:30:00+00:00 -0.475920 2012-03-13 09:30:00+00:00 -0.336570 2012-03-14 09:30:00+00:00 -1.075952 Freq: D, dtype: float64 >>> >>> ts_utc.index DatetimeIndex(['2012-03-09 09:30:00+00:00', '2012-03-10 09:30:00+00:00','2012-03-11 09:30:00+00:00', '2012-03-12 09:30:00+00:00','2012-03-13 09:30:00+00:00', '2012-03-14 09:30:00+00:00'],dtype='datetime64[ns, UTC]', freq='D')時間序列被本地化到某個特定時區后，就可以用 tz_convert 方法將其轉換到別的時區了：
>>> import pandas as pd >>> import numpy as np >>> rng = pd.date_range('3/9/2012 9:30', periods=6, freq='D') >>> ts = pd.Series(np.random.randn(len(rng)), index=rng) >>> ts 2012-03-09 09:30:00 0.480303 2012-03-10 09:30:00 -1.461039 2012-03-11 09:30:00 -1.512749 2012-03-12 09:30:00 -2.185421 2012-03-13 09:30:00 1.657845 2012-03-14 09:30:00 0.175633 Freq: D, dtype: float64 >>> >>> ts.tz_localize('UTC').tz_convert('Asia/Shanghai') 2012-03-09 17:30:00+08:00 0.480303 2012-03-10 17:30:00+08:00 -1.461039 2012-03-11 17:30:00+08:00 -1.512749 2012-03-12 17:30:00+08:00 -2.185421 2012-03-13 17:30:00+08:00 1.657845 2012-03-14 17:30:00+08:00 0.175633 Freq: D, dtype: float64這里是一段防爬蟲文本，請讀者忽略。 本文原創首發于 CSDN，作者 TRHX。 博客首頁：https://itrhx.blog.csdn.net/ 本文鏈接：https://itrhx.blog.csdn.net/article/details/106947061 未經授權，禁止轉載！惡意轉載，后果自負！尊重原創，遠離剽竊！
【03x00】period 固定時期
【03x01】pandas.Period
固定時期（period）表示的是時間區間，比如數日、數月、數季、數年等。Period 類所表示的就是這種數據類型，其構造函數需要用到一個字符串或整數。
基本語法：
class pandas.Period(value=None, freq=None, ordinal=None, year=None, month=None, quarter=None, day=None, hour=None, minute=None, second=None)官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.Period.html
常用參數：
| value | 時間段 |
| freq | 時間戳將具有的偏移量，可以是 str，日期偏移量類型，取值參見【02x02】freq 頻率部分取值 |
以下示例中，Period 對象表示的是從2020年1月1日到2020年12月31日之間的整段時間
>>> import pandas as pd >>> pd.Period(2020, freq='A-DEC') Period('2020', 'A-DEC')利用加減法對其按照頻率進行位移：
>>> import pandas as pd >>> obj = pd.Period(2020, freq='A-DEC') >>> obj Period('2020', 'A-DEC') >>> >>> obj + 5 Period('2025', 'A-DEC') >>> >>> obj - 5 Period('2015', 'A-DEC')PeriodIndex 類保存了一組 Period，它可以在任何 pandas 數據結構中被用作軸索引：
>>> import pandas as pd >>> import numpy as np >>> rng = [pd.Period('2000-01'), pd.Period('2000-02'), pd.Period('2000-03'), pd.Period('2000-04'), pd.Period('2000-05'), pd.Period('2000-06')] >>> obj = pd.Series(np.random.randn(6), index=rng) >>> obj 2000-01 0.229092 2000-02 1.515498 2000-03 -0.334401 2000-04 -0.492681 2000-05 -2.012818 2000-06 0.338804 Freq: M, dtype: float64 >>> >>> obj.index PeriodIndex(['2000-01', '2000-02', '2000-03', '2000-04', '2000-05', '2000-06'], dtype='period[M]', freq='M') >>> import pandas as pd >>> values = ['2001Q3', '2002Q2', '2003Q1'] >>> index = pd.PeriodIndex(values, freq='Q-DEC') >>> index PeriodIndex(['2001Q3', '2002Q2', '2003Q1'], dtype='period[Q-DEC]', freq='Q-DEC') >>>【03x02】period_range
pandas.period_range 方法可根據指定的頻率生成指定長度的 PeriodIndex。
基本語法：
pandas.period_range(start=None, end=None, periods=None, freq=None, name=None) → pandas.core.indexes.period.PeriodIndex
官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.period_range.html
常用參數：
| start | 起始日期 |
| end | 結束日期 |
| periods | 要生成的時段數 |
| freq | 時間戳將具有的偏移量，可以是 str，日期偏移量類型，取值參見【02x02】freq 頻率部分取值 |
| name | 結果 PeriodIndex 對象名稱 |
簡單應用：
>>> import pandas as pd >>> pd.period_range(start='2019-01-01', end='2020-01-01', freq='M') PeriodIndex(['2019-01', '2019-02', '2019-03', '2019-04', '2019-05', '2019-06','2019-07', '2019-08', '2019-09', '2019-10', '2019-11', '2019-12','2020-01'],dtype='period[M]', freq='M') >>> >>> pd.period_range(start=pd.Period('2017Q1', freq='Q'),end=pd.Period('2017Q2', freq='Q'), freq='M') PeriodIndex(['2017-03', '2017-04', '2017-05', '2017-06'], dtype='period[M]', freq='M')【03x03】asfreq 時期頻率轉換
Period 和 PeriodIndex 對象都可以通過 asfreq 方法被轉換成別的頻率。
基本語法：PeriodIndex.asfreq(self, *args, **kwargs)
常用參數：
| freq | 新的頻率（偏移量），取值參見【02x02】freq 頻率部分取值 |
| how | 按照開始或者結束對齊，'E' or 'END' or 'FINISH'；'S' or 'START' or 'BEGIN' |
應用示例：
>>> import pandas as pd >>> pidx = pd.period_range('2010-01-01', '2015-01-01', freq='A') >>> pidx PeriodIndex(['2010', '2011', '2012', '2013', '2014', '2015'], dtype='period[A-DEC]', freq='A-DEC') >>> >>> pidx.asfreq('M') PeriodIndex(['2010-12', '2011-12', '2012-12', '2013-12', '2014-12', '2015-12'], dtype='period[M]', freq='M') >>> >>> pidx.asfreq('M', how='S') PeriodIndex(['2010-01', '2011-01', '2012-01', '2013-01', '2014-01', '2015-01'], dtype='period[M]', freq='M')【03x04】to_period 與 to_timestamp()
to_period 方法可以將 Timestamp（時間戳） 轉換為 Period（固定時期）；
to_timestamp 方法可以將 Period（固定時期）轉換為 Timestamp（時間戳） 。
>>> import pandas as pd >>> rng = pd.date_range('2000-01-01', periods=3, freq='M') >>> ts = pd.Series(np.random.randn(3), index=rng) >>> ts 2000-01-31 0.220759 2000-02-29 -0.108221 2000-03-31 0.819433 Freq: M, dtype: float64 >>> >>> pts = ts.to_period() >>> pts 2000-01 0.220759 2000-02 -0.108221 2000-03 0.819433 Freq: M, dtype: float64 >>> >>> pts2 = pts.to_timestamp() >>> pts2 2000-01-01 0.220759 2000-02-01 -0.108221 2000-03-01 0.819433 Freq: MS, dtype: float64 >>> >>> ts.index DatetimeIndex(['2000-01-31', '2000-02-29', '2000-03-31'], dtype='datetime64[ns]', freq='M') >>> >>> pts.index PeriodIndex(['2000-01', '2000-02', '2000-03'], dtype='period[M]', freq='M') >>> >>> pts2.index DatetimeIndex(['2000-01-01', '2000-02-01', '2000-03-01'], dtype='datetime64[ns]', freq='MS')【04x00】timedelta 時間間隔
【04x01】pandas.Timedelta
Timedelta 表示持續時間，即兩個日期或時間之間的差。
Timedelta 相當于 Python 的 datetime.timedelta，在大多數情況下兩者可以互換。
基本語法：class pandas.Timedelta(value=<object object>, unit=None, **kwargs)
官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.Timedelta.html
常用參數：
| value | 傳入的值，可以是 Timedelta，timedelta，np.timedelta64，string 或 integer 對象 |
| unit | 用于設置 value 的單位，具體取值參見官方文檔 |
表示兩個 datetime 對象之間的時間差：
>>> import pandas as pd >>> pd.to_datetime('2020-6-24') - pd.to_datetime('2016-1-1') Timedelta('1636 days 00:00:00')通過字符串傳遞參數：
>>> import pandas as pd >>> pd.Timedelta('3 days 3 hours 3 minutes 30 seconds') Timedelta('3 days 03:03:30')通過整數傳遞參數：
>>> import pandas as pd >>> pd.Timedelta(5,unit='h') Timedelta('0 days 05:00:00')獲取屬性：
>>> import pandas as pd >>> obj = pd.Timedelta('3 days 3 hours 3 minutes 30 seconds') >>> obj Timedelta('3 days 03:03:30') >>> >>> obj.days 3 >>> obj.seconds 11010【04x02】to_timedelta
to_timedelta 方法可以將傳入的對象轉換成 timedelta 對象。
基本語法：pandas.to_timedelta(arg, unit='ns', errors='raise')
官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.to_timedelta.html
常用參數：
| arg | 要轉換為 timedelta 的對象，可以是 str，timedelta，list-like 或 Series 對象 |
| unit | 用于設置 arg 的單位，具體取值參見官方文檔 |
| errors | 如果 arg 不滿足時間戳的形式，是否會發生異常 ignore：不引發異常，返回原始輸入；raise：無效解析將引發異常（默認）；coerce：無效解析將被設置為NaT |
將單個字符串解析為 timedelta 對象：
>>> import pandas as pd >>> pd.to_timedelta('1 days 06:05:01.00003') Timedelta('1 days 06:05:01.000030') >>> >>> pd.to_timedelta('15.5us') Timedelta('0 days 00:00:00.000015')將字符串列表或數組解析為 timedelta 對象：
>>> import pandas as pd >>> pd.to_timedelta(['1 days 06:05:01.00003', '15.5us', 'nan']) TimedeltaIndex(['1 days 06:05:01.000030', '0 days 00:00:00.000015', NaT], dtype='timedelta64[ns]', freq=None)指定 unit 參數：
>>> import pandas as pd >>> pd.to_timedelta(np.arange(5), unit='s') TimedeltaIndex(['00:00:00', '00:00:01', '00:00:02', '00:00:03', '00:00:04'], dtype='timedelta64[ns]', freq=None) >>> >>> pd.to_timedelta(np.arange(5), unit='d') TimedeltaIndex(['0 days', '1 days', '2 days', '3 days', '4 days'], dtype='timedelta64[ns]', freq=None)【04x03】timedelta_range
timedelta_range 方法可根據指定的頻率生成指定長度的 TimedeltaIndex。
基本語法：
pandas.timedelta_range(start=None, end=None, periods=None,freq=None, name=None, closed=None) → pandas.core.indexes.timedeltas.TimedeltaIndex官方文檔：https://pandas.pydata.org/docs/reference/api/pandas.timedelta_range.html
常用參數：
| start | 開始日期 |
| end | 結束日期 |
| periods | int 類型，要生成的時段數 |
| freq | 頻率字符串，即按照某種特定的頻率來生成日期，取值參見【02x02】freq 頻率部分取值 |
| name | 結果 TimedeltaIndex 的名稱 |
| closed | None：默認值，同時保留開始日期和結束日期 'left'：保留開始日期，不保留結束日期 'right'：保留結束日期，不保留開始日期 |
應用示例：
>>> import pandas as pd >>> pd.timedelta_range(start='1 day', periods=4) TimedeltaIndex(['1 days', '2 days', '3 days', '4 days'], dtype='timedelta64[ns]', freq='D')closed 參數指定保留哪個端點。默認保留兩個端點：
>>> import pandas as pd >>> pd.timedelta_range(start='1 day', periods=4, closed='right') TimedeltaIndex(['2 days', '3 days', '4 days'], dtype='timedelta64[ns]', freq='D')freq 參數指定 TimedeltaIndex 的頻率。只接受固定頻率，非固定頻率如 'M' 將會報錯：
>>> import pandas as pd >>> pd.timedelta_range(start='1 day', end='2 days', freq='6H') TimedeltaIndex(['1 days 00:00:00', '1 days 06:00:00', '1 days 12:00:00','1 days 18:00:00', '2 days 00:00:00'],dtype='timedelta64[ns]', freq='6H') >>> >>> pd.timedelta_range(start='1 day', end='2 days', freq='M') Traceback (most recent call last): ... ValueError: <MonthEnd> is a non-fixed frequency【05x00】重采樣及頻率轉換
重采樣（resampling）指的是將時間序列從一個頻率轉換到另一個頻率的處理過程。將高頻率數據聚合到低頻率稱為降采樣（downsampling），而將低頻率數據轉換到高頻率則稱為升采樣（upsampling）。并不是所有的重采樣都能被劃分到這兩個大類中。例如，將 W-WED（每周三）轉換為 W-FRI 既不是降采樣也不是升采樣。
Pandas 中提供了 resample 方法來幫助我們實現重采樣。Pandas 對象都帶有一個 resample 方法，它是各種頻率轉換工作的主力函數。
基本語法：
Series.resample(self, rule, axis=0, closed: Union[str, NoneType] = None, label: Union[str, NoneType] = None, convention: str = 'start', kind: Union[str, NoneType] = None, loffset=None, base: int = 0, on=None, level=None) DataFrame.resample(self, rule, axis=0, closed: Union[str, NoneType] = None, label: Union[str, NoneType] = None, convention: str = 'start', kind: Union[str, NoneType] = None, loffset=None, base: int = 0, on=None, level=None)常用參數：
| rule | |
| axis | 重采樣的軸，默認 0 |
| closed | 在重采樣中，各時間段的哪一端是閉合（即包含）的， 除 'M'、'A'、'Q'、'BM'、'BA'、'BQ' 和 'W' 默認值為 ‘right’ 外，其他默認值為 'left‘ |
| label | 在重采樣中，如何設置聚合值的標簽， right 或 left，默認為 None， 例如，9:30 到 9:35 之間的這 5 分鐘會被標記為 9:30 或 9:35 |
| convention | 僅用于 PeriodIndex（固定時期），對周期進行重采樣，'start' or 's'，'end' or 'e' |
| on | 對于 DataFrame 對象，可用該參數指定重采樣后的數據的 index（行索引） 為原數據中的某列 |
| level | 對于具有層級索引（MultiIndex）的 DataFrame 對象，可以使用該參數來指定需要在哪個級別上進行重新采樣 |
將序列重采樣到三分鐘的頻率，并將每個頻率的值相加：
>>> import pandas as pd >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 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 Freq: T, dtype: int64 >>> >>> series.resample('3T').sum() 2000-01-01 00:00:00 3 2000-01-01 00:03:00 12 2000-01-01 00:06:00 21 Freq: 3T, dtype: int64設置 label='right'，即每個索引 index 會使用靠右側（較大值）的標簽：
>>> import pandas as pd >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 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 Freq: T, dtype: int64 >>> >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00 3 2000-01-01 00:06:00 12 2000-01-01 00:09:00 21 Freq: 3T, dtype: int64設置 closed='right'，即結果中會包含原數據中最右側（較大）的值：
>>> import pandas as pd >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 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 Freq: T, dtype: int64 >>> >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00 0 2000-01-01 00:03:00 6 2000-01-01 00:06:00 15 2000-01-01 00:09:00 15 Freq: 3T, dtype: int64以下示例將序列重采樣到30秒的頻率，asfreq()[0:5] 用于選擇前5行數據：
>>> import pandas as pd >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 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 Freq: T, dtype: int64 >>> >>> series.resample('30S').asfreq()[0:5] 2000-01-01 00:00:00 0.0 2000-01-01 00:00:30 NaN 2000-01-01 00:01:00 1.0 2000-01-01 00:01:30 NaN 2000-01-01 00:02:00 2.0 Freq: 30S, dtype: float64使用 pad 方法向后填充缺失值（NaN）：
>>> import pandas as pd >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 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 Freq: T, dtype: int64 >>> >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00 0 2000-01-01 00:00:30 0 2000-01-01 00:01:00 1 2000-01-01 00:01:30 1 2000-01-01 00:02:00 2 Freq: 30S, dtype: int64使用 bfill 方法向前填充缺失值（NaN）：
>>> import pandas as pd >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 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 Freq: T, dtype: int64 >>> >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00 0 2000-01-01 00:00:30 1 2000-01-01 00:01:00 1 2000-01-01 00:01:30 2 2000-01-01 00:02:00 2 Freq: 30S, dtype: int64通過 apply 方法傳遞自定義函數：
>>> import pandas as pd >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 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 Freq: T, dtype: int64 >>> >>> def custom_resampler(array_like):return np.sum(array_like) + 5>>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00 8 2000-01-01 00:03:00 17 2000-01-01 00:06:00 26 Freq: 3T, dtype: int64convention 參數的應用：
>>> import pandas as pd >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01', freq='A', periods=2)) >>> s 2012 1 2013 2 Freq: A-DEC, dtype: int64 >>> >>> s.resample('Q', convention='start').asfreq() 2012Q1 1.0 2012Q2 NaN 2012Q3 NaN 2012Q4 NaN 2013Q1 2.0 2013Q2 NaN 2013Q3 NaN 2013Q4 NaN Freq: Q-DEC, dtype: float64 >>> >>> s.resample('Q', convention='end').asfreq() 2012Q4 1.0 2013Q1 NaN 2013Q2 NaN 2013Q3 NaN 2013Q4 2.0 Freq: Q-DEC, dtype: float64 >>> import pandas as pd >>> q = pd.Series([1, 2, 3, 4], index=pd.period_range('2018-01-01', freq='Q', periods=4)) >>> q 2018Q1 1 2018Q2 2 2018Q3 3 2018Q4 4 Freq: Q-DEC, dtype: int64 >>> >>> q.resample('M', convention='end').asfreq() 2018-03 1.0 2018-04 NaN 2018-05 NaN 2018-06 2.0 2018-07 NaN 2018-08 NaN 2018-09 3.0 2018-10 NaN 2018-11 NaN 2018-12 4.0 Freq: M, dtype: float64 >>> >>> q.resample('M', convention='start').asfreq() 2018-01 1.0 2018-02 NaN 2018-03 NaN 2018-04 2.0 2018-05 NaN 2018-06 NaN 2018-07 3.0 2018-08 NaN 2018-09 NaN 2018-10 4.0 2018-11 NaN 2018-12 NaN Freq: M, dtype: float64對于 DataFrame 對象，可以使用關鍵字 on 來指定原數據中的某列為重采樣后數據的行索引：
>>> import pandas as pd >>> d = dict({'price': [10, 11, 9, 13, 14, 18, 17, 19],'volume': [50, 60, 40, 100, 50, 100, 40, 50]}) >>> df = pd.DataFrame(d) >>> df['week_starting'] = pd.date_range('01/01/2018', periods=8, freq='W') >>> dfprice volume week_starting 0 10 50 2018-01-07 1 11 60 2018-01-14 2 9 40 2018-01-21 3 13 100 2018-01-28 4 14 50 2018-02-04 5 18 100 2018-02-11 6 17 40 2018-02-18 7 19 50 2018-02-25 >>> >>> df.resample('M', on='week_starting').mean()price volume week_starting 2018-01-31 10.75 62.5 2018-02-28 17.00 60.0對于具有層級索引（MultiIndex）的 DataFrame 對象，可以使用關鍵字 level 來指定需要在哪個級別上進行重新采樣：
>>> import pandas as pd >>> days = pd.date_range('1/1/2000', periods=4, freq='D') >>> d2 = dict({'price': [10, 11, 9, 13, 14, 18, 17, 19],'volume': [50, 60, 40, 100, 50, 100, 40, 50]}) >>> df2 = pd.DataFrame(d2, index=pd.MultiIndex.from_product([days, ['morning', 'afternoon']])) >>> df2price volume 2000-01-01 morning 10 50afternoon 11 60 2000-01-02 morning 9 40afternoon 13 100 2000-01-03 morning 14 50afternoon 18 100 2000-01-04 morning 17 40afternoon 19 50 >>> >>> df2.resample('D', level=0).sum()price volume 2000-01-01 21 110 2000-01-02 22 140 2000-01-03 32 150 2000-01-04 36 90這里是一段防爬蟲文本，請讀者忽略。 本文原創首發于 CSDN，作者 TRHX。 博客首頁：https://itrhx.blog.csdn.net/ 本文鏈接：https://itrhx.blog.csdn.net/article/details/106947061 未經授權，禁止轉載！惡意轉載，后果自負！尊重原創，遠離剽竊！
總結
以上是生活随笔為你收集整理的Python 数据分析三剑客之 Pandas（九）：时间序列的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 招商银行哪些净值理财的收益高？盘点招行的
- 下一篇： Python3 爬虫实战 — 模拟登陆1