在進行金融數(shù)據(jù)的分析以及量化研究時，總是避免不了和時間序列的數(shù)據(jù)打交道，常見的時間序列的數(shù)據(jù)有比方說一天內(nèi)隨著時間變化的溫度序列，又或者是交易時間內(nèi)不斷波動的股票價格序列，今天小編就為大家來介紹一下如何用“Pandas”模塊來處理時間序列的數(shù)據(jù)

01

創(chuàng)建一個時間戳

首先我們需要導(dǎo)入我們所需要用到的模塊，并且隨機創(chuàng)建一個時間戳，有兩種方式來創(chuàng)建，如下所示

import pandas as pd import numpy as np from datetime import datetimepd.to_datetime('2021-05-20')??##output:?Timestamp('2021-05-20?00:00:00') pd.Timestamp('2021-05-20')? ##output:?Timestamp('2021-05-20?00:00:00')

02

訪問時間信息

我們可以來查看一下這個時間戳所代表的年、月、日等信息

a = pd.Timestamp('2021-10-01') a.day_name()????## Friday，看來今年的10月1日是周五哈？ a.month_name()??##?October 十月份 a.day(),?a.month(),?a.year()??##?1,?10,?2021，查看年月日等信息

03

數(shù)據(jù)格式轉(zhuǎn)化為時間序列

接下來我們做一些數(shù)據(jù)處理，例如將數(shù)據(jù)集中的“time_frame”轉(zhuǎn)化為時間序列的格式

df = pd.DataFrame({"time_frame": ["2021-01-01", "2021-01-02", "2021-01-03", "2021-01-04", "2021-01-05"]}) df['time_frame'] = pd.to_datetime(df['time_frame'])

04

字符串轉(zhuǎn)化成時間格式

要是我們想將里面的時間序列的數(shù)據(jù)變成字符串時，可以這么來操作

date_string = [str(x) for x in df['time_frame'].tolist()]

當(dāng)然從字符串轉(zhuǎn)換回去時間序列的數(shù)據(jù)，在“Pandas”中也有相應(yīng)的方法可以來操作，例如

time_string = ['2021-02-14 00:00:00', '2021-02-14 01:00:00', '2021-02-14 02:00:00', '2021-02-14 03:00:00', '2021-02-14 04:00:00', '2021-02-14 05:00:00', '2021-02-14 06:00:00'] pd.to_datetime(time_string, infer_datetime_format = True)

當(dāng)然我們還有其他的方式來實現(xiàn)將字符串轉(zhuǎn)換成時間格式，例如

import?datetime text_1 = "2021-02-14" datetime.datetime.strptime(text_1, '%Y-%m-%d')

05

提取時間格式背后的信息

在時間序列的數(shù)據(jù)處理過程當(dāng)中，我們可能需要經(jīng)常來實現(xiàn)下面的需求

l求某個日期對應(yīng)的星期數(shù)（2021-06-22是第幾周）

l判斷一個日期是周幾（2021-02-14是周幾）

l判斷某一日期是第幾季度，等等

當(dāng)數(shù)據(jù)集中的某一列已經(jīng)轉(zhuǎn)化為是“datetime64”的格式時，僅需要用到“dt”的方法，就可以快速得到相應(yīng)的結(jié)果，例如

df = pd.DataFrame({"time_frame": ["2021-01-01", "2021-01-02", "2021-01-03", "2021-01-04", "2021-01-05", "2021-01-06", "2021-01-07", "2021-01-08"]}) df["time_frame"]?=?pd.to_datetime(df["time_frame"]) #?一周中的第幾天 df.time_frame.dt.dayofweek[0] #?返回對應(yīng)額日期 df.time_frame.dt.date[0] #?返回一周中的第幾天，0對應(yīng)周一，1對應(yīng)周二df.time_frame.dt.weekday[0]

除此之外，下表列出了幾個并不常見的方法和屬性

06

關(guān)于date_range函數(shù)

可用于創(chuàng)建時間索引，并且時間頻率可以靈活調(diào)整，參數(shù)“freq”就是用來調(diào)整時間頻率的，“M”代表月份，“D”就代表的是天數(shù)了

pd.date_range(start='2021-02-14',?periods=10,?freq='M')

07

period_range和timedelta_range函數(shù)

和上面的“date_range”函數(shù)類似，用于創(chuàng)建時間索引

pd.period_range('2021', periods=10, freq='M')

pd.timedelta_range(start='0', periods=24, freq='H')

08

關(guān)于重采樣resample

我們也可以對時間序列的數(shù)據(jù)集進行重采樣，重采樣就是將時間序列從一個頻率轉(zhuǎn)換到另一個頻率的處理過程，主要分為降采樣和升采樣，將高頻率、間隔短的數(shù)據(jù)聚合到低頻率、間隔長的過程稱為是降采樣，反之則是升采樣.

我們先來創(chuàng)建一個包含30個值和一個時間序列索引的數(shù)據(jù)集

A = pd.date_range('2021-01-01', periods=30, freq='D') values = np.random.randint(10, size=30) S?=?pd.Series(values,?index=A)

返回5天時間內(nèi)的數(shù)據(jù)加總

S.resample('5D').sum()

09

關(guān)于滑動窗口“rolling”和“expanding”

因此便就有了滑動窗口這一個概念，簡而言之就是將某個時點的數(shù)據(jù)衍生到包含這個時點的一段時間內(nèi)做一個數(shù)據(jù)統(tǒng)計。首先我們先來創(chuàng)建需要用到的數(shù)據(jù)集

index?=?pd.date_range('2021-01-01',periods=30)? data = pd.DataFrame(np.arange(len(index)),index=index,columns=['test'])

主要有“rolling”方法和“expanding”方法，“rolling”方法考慮的是一定的時間段內(nèi)的數(shù)據(jù)，而“expanding”考慮的則是之前所有的數(shù)據(jù)，例如

# 移動3個值，進行求和 data['sum'] = data.test.rolling(3).sum() # 移動3個值，進行求平均數(shù) data['mean']?=?data.test.rolling(3).mean()

我們發(fā)現(xiàn)數(shù)據(jù)集中有一些缺失值，我們這里就可以使用“pandas”中特有的方法來進行填充，例如

data['mean'].fillna(method = 'backfill') 往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯溫州大學(xué)《機器學(xué)習(xí)課程》視頻 本站qq群851320808，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【Python】干货分享 | Pandas处理时间序列的数据的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。