在Pandas中,时间序列(Time Series)是一种特殊的数据类型,用于处理时间相关的数据。Pandas提供了丰富的功能和方法,方便对时间序列数据进行处理和分析。下面是一些针对时间序列的常用操作:
方式① 使用to_datetime
创建时间序列:直接传入列表即可
import pandas as pd
# 将列表转换为时间戳
date_range = pd.to_datetime(['2024-01-01', '2024-01-02', '2024-01-03'])
date_range
DatetimeIndex(['2024-01-01', '2024-01-02', '2024-01-03'], dtype='datetime64[ns]', freq=None)
方式② 使用pd.date_range()
创建一段连续的时间范围:使用指定参数即可
import pandas as pd
date_range = pd.date_range(start='2024-01-01', end='2024-12-31', freq='D')
date_range
DatetimeIndex(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04',
'2024-01-05', '2024-01-06', '2024-01-07', '2024-01-08',
'2024-01-09', '2024-01-10',
...
'2024-12-22', '2024-12-23', '2024-12-24', '2024-12-25',
'2024-12-26', '2024-12-27', '2024-12-28', '2024-12-29',
'2024-12-30', '2024-12-31'],
dtype='datetime64[ns]', length=366, freq='D')
其中,start是起始日期,end是结束日期,freq是频率,这里设置为'D'表示每天。
方式③ 使用Timestamp()
函数创建一个特定的时间戳:使用指定参数即可
import pandas as pd
timestamp = pd.Timestamp(year=2023, month=1, day=1, hour=12, minute=30, second=45)
timestamp
Timestamp('2023-01-01 12:30:45')
方式④ 使用 datetime 模块创建时间戳:使用指定参数即可
import pandas as pd
from datetime import datetime
timestamp = datetime(2023, 1, 1, 12, 30, 45)
print(timestamp)
2023-01-01 12:30:45
计算一下两个时间数据之差
import pandas as pd
# 创建两个固定时间
start_time = pd.Timestamp('2024-01-01 12:00:00')
end_time = pd.Timestamp('2024-01-02 14:30:00')
# 计算时间差
time_diff = end_time - start_time
time_diff
Timedelta('1 days 02:30:00')
一个固定时间加上pd.Timedelta
类型的时间差
pd.Timestamp('2024-01-02 14:30:00')+pd.Timedelta('1 days 02:30:00')
Timestamp('2024-01-03 17:00:00')
接下来,我们看看日期做索引的情况
将日期作为索引创建时间序列:
import pandas as pd
data = [1, 2, 3, 4, 5]
dates = pd.date_range(start='2024-01-01', periods=5, freq='D')
ts = pd.Series(data, index=dates)
ts
2024-01-01 1
2024-01-02 2
2024-01-03 3
2024-01-04 4
2024-01-05 5
Freq: D, dtype: int64
其中,periods是时间序列的长度,freq是频率,这里设置为'D'表示每天。
import pandas as pd
ts['2024-01-01']
1
使用日期范围进行切片:
import pandas as pd
ts['2024-01-01':'2024-01-05']
2024-01-01 1
2024-01-02 2
2024-01-03 3
2024-01-04 4
2024-01-05 5
Freq: D, dtype: int64
也可以使用切片操作对数据进行访问
import pandas as pd
ts[1:4]
2024-01-02 2
2024-01-03 3
2024-01-04 4
Freq: D, dtype: int64
时间序列的重采样: 将时间序列从高频率转换为低频率:
import pandas as pd
ts.resample('W').mean()
2024-01-07 3.0
Freq: W-SUN, dtype: float64
其中,'W'表示按周进行重采样,mean()表示计算每周的平均值。
时间序列的滚动计算: 计算滚动平均值:
import pandas as pd
ts.rolling(window=3).mean()
2024-01-01 NaN
2024-01-02 NaN
2024-01-03 2.0
2024-01-04 3.0
2024-01-05 4.0
Freq: D, dtype: float64
其中,window=3表示窗口大小为3,即计算每3个数据的平均值。
时间序列的时间偏移: 将时间序列向前或向后移动:
import pandas as pd
ts.shift(1)
2024-01-01 NaN
2024-01-02 1.0
2024-01-03 2.0
2024-01-04 3.0
2024-01-05 4.0
Freq: D, dtype: float64
其中,1表示向后移动1个时间单位。
在 Pandas 中,可以使用 dt 访问器来访问时间戳或时间序列中的各个时间部分,例如年、月、日、小时、分钟、秒等。通过使用 dt 访问器,你可以方便地提取和操作时间信息。
下面是一些常用的 dt 访问器的示例:
import pandas as pd
# 创建一个时间序列
timestamps = pd.Series(pd.date_range('2023-01-01', periods=5, freq='D'))
timestamps
0 2023-01-01
1 2023-01-02
2 2023-01-03
3 2023-01-04
4 2023-01-05
dtype: datetime64[ns]
# 提取年份
year = timestamps.dt.year
year
0 2023
1 2023
2 2023
3 2023
4 2023
dtype: int64
# 提取月份
month = timestamps.dt.month
month
0 1
1 1
2 1
3 1
4 1
dtype: int64
# 提取日期
day = timestamps.dt.day
day
0 1
1 2
2 3
3 4
4 5
dtype: int64
# 提取小时
hour = timestamps.dt.hour
hour
0 0
1 0
2 0
3 0
4 0
dtype: int64
# 提取分钟
minute = timestamps.dt.minute
minute
0 0
1 0
2 0
3 0
4 0
dtype: int64
# 提取秒数
second = timestamps.dt.second
second
0 0
1 0
2 0
3 0
4 0
dtype: int64
# 获取季度
quarter = timestamps.dt.quarter
quarter
0 1
1 1
2 1
3 1
4 1
dtype: int64
# 获取周数
week = timestamps.dt.isocalendar().week
week
0 52
1 1
2 1
3 1
4 1
Name: week, dtype: UInt32
# 获取星期几的名称
day_name = timestamps.dt.day_name()
day_name
0 Sunday
1 Monday
2 Tuesday
3 Wednesday
4 Thursday
dtype: object
# 获取该日期是一年中的第几天
day_of_year = timestamps.dt.dayofyear
day_of_year
0 1
1 2
2 3
3 4
4 5
dtype: int64
# 获取该日期是一周中的第几天(星期一为1,星期日为7)
day_of_week = timestamps.dt.dayofweek + 1
day_of_week
0 7
1 1
2 2
3 3
4 4
dtype: int64
# 获取该日期是一个月中的第几天
day_of_month = timestamps.dt.day
day_of_month
0 1
1 2
2 3
3 4
4 5
dtype: int64
# 获取该日期所在月份的最后一天
end_of_month = timestamps.dt.daysinmonth
end_of_month
0 31
1 31
2 31
3 31
4 31
dtype: int64
import pandas as pd
# 创建时间戳序列
ts = pd.Series(pd.to_timedelta(np.arange(10),unit='m'))
ts
0 0 days 00:00:00
1 0 days 00:01:00
2 0 days 00:02:00
3 0 days 00:03:00
4 0 days 00:04:00
5 0 days 00:05:00
6 0 days 00:06:00
7 0 days 00:07:00
8 0 days 00:08:00
9 0 days 00:09:00
dtype: timedelta64[ns]
# 提取时间戳中的秒数
seconds = ts.dt.seconds
seconds
0 0
1 60
2 120
3 180
4 240
5 300
6 360
7 420
8 480
9 540
dtype: int64
seconds = ts.dt.to_pytimedelta()
seconds
array([datetime.timedelta(0), datetime.timedelta(seconds=60),
datetime.timedelta(seconds=120), datetime.timedelta(seconds=180),
datetime.timedelta(seconds=240), datetime.timedelta(seconds=300),
datetime.timedelta(seconds=360), datetime.timedelta(seconds=420),
datetime.timedelta(seconds=480), datetime.timedelta(seconds=540)],
dtype=object)
以上是Pandas针对时间序列的一些常用操作和示例代码
数据分析咨询请扫描二维码
在准备数据分析师面试时,掌握高频考题及其解答是应对面试的关键。为了帮助大家轻松上岸,以下是10个高频考题及其详细解析,外加 ...
2024-12-20互联网数据分析师是一个热门且综合性的职业,他们通过数据挖掘和分析,为企业的业务决策和运营优化提供强有力的支持。尤其在如今 ...
2024-12-20在现代商业环境中,数据分析师是不可或缺的角色。他们的工作不仅仅是对数据进行深入分析,更是协助企业从复杂的数据信息中提炼出 ...
2024-12-20随着大数据时代的到来,数据驱动的决策方式开始受到越来越多企业的青睐。近年来,数据分析在人力资源管理中正在扮演着至关重要的 ...
2024-12-20在数据分析的世界里,表面上的技术操作只是“入门票”,而真正的高手则需要打破一些“看不见的墙”。这些“隐形天花板”限制了数 ...
2024-12-19在数据分析领域,尽管行业前景广阔、岗位需求旺盛,但实际的工作难度却远超很多人的想象。很多新手初入数据分析岗位时,常常被各 ...
2024-12-19入门数据分析,许多人都会感到“难”,但这“难”究竟难在哪儿?对于新手而言,往往不是技术不行,而是思维方式、业务理解和实践 ...
2024-12-19在如今的行业动荡背景下,数据分析师的职业前景虽然面临一些挑战,但也充满了许多新的机会。随着技术的不断发展和多领域需求的提 ...
2024-12-19在信息爆炸的时代,数据分析师如同探险家,在浩瀚的数据海洋中寻觅有价值的宝藏。这不仅需要技术上的过硬实力,还需要一种艺术家 ...
2024-12-19在当今信息化社会,大数据已成为各行各业不可或缺的宝贵资源。大数据专业应运而生,旨在培养具备扎实理论基础和实践能力,能够应 ...
2024-12-19阿里P8、P9失业都找不到工作?是我们孤陋寡闻还是世界真的已经“癫”成这样了? 案例一:本硕都是 985,所学的专业也是当红专业 ...
2024-12-19CDA持证人Louis CDA持证人基本情况 我大学是在一个二线城市的一所普通二本院校读的,专业是旅游管理,非计算机非统计学。毕业之 ...
2024-12-18最近,知乎上有个很火的话题:“一个人为何会陷入社会底层”? 有人说,这个世界上只有一个分水岭,就是“羊水”;还有人说,一 ...
2024-12-18在这个数据驱动的时代,数据分析师的技能需求快速增长。掌握适当的编程语言不仅能增强分析能力,还能帮助分析师从海量数据中提取 ...
2024-12-17在当今信息爆炸的时代,数据分析已经成为许多行业中不可或缺的一部分。想要在这个领域脱颖而出,除了热情和毅力外,你还需要掌握 ...
2024-12-17数据分析,是一项通过科学方法处理数据以获取洞察并支持决策的艺术。无论是在商业环境中提升业绩,还是在科研领域推动创新,数据 ...
2024-12-17在数据分析领域,图表是我们表达数据故事的重要工具。它们不仅让数据变得更加直观,也帮助我们更好地理解数据中的趋势和模式。相 ...
2024-12-16在当今社会,我们身处着一个飞速发展、变化迅猛的时代。不同行业在科技进步、市场需求和政策支持的推动下蓬勃发展,呈现出令人瞩 ...
2024-12-16在现代商业世界中,数据分析师扮演着至关重要的角色。他们通过解析海量数据,为企业战略决策提供有力支持。要有效完成这项任务, ...
2024-12-16在当今数据爆炸的时代,数据分析师是组织中不可或缺的导航者。他们通过从大量数据中提取可操作的洞察力,帮助企业在竞争激烈的市 ...
2024-12-16