包含python時間序列索引時間的詞條

本文目錄一覽：

• 1、python中時間序列數據的一些處理方式
• 2、Pandas-時間序列基礎
• 3、python中datetime怎麼設置時區

python中時間序列數據的一些處理方式

datetime.timedelta對象代表兩個時間之間的時間差，兩個date或datetime對象相減就可以返回一個timedelta對象。

利用以下數據進行說明：

如果我們發現時間相關內容的變數為int,float,str等類型，不方便後面的分析，就需要使用該函數轉化為常用的時間變數格式：pandas.to_datetime

轉換得到的時間單位如下：

如果時間序列格式不統一，pd.to_datetime()的處理方式：

當然，正確的轉換是這樣的：

第一步：to_datetime()

第二步：astype(datetime64[D]),astype(datetime64[M])

本例中：

order_dt_diff必須是Timedelta(‘0 days 00:00:00’)格式，可能是序列使用了diff()

或者pct_change()。

前者往往要通過’/np.timedelta’去掉單位days。後者其實沒有單位。

假如我們要統計某共享單車一天內不同時間點的用戶使用數據，例如

還有其他維度的提取，年、月、日、周，參見：

Datetime properties

注意 ：.dt的對象必須為pandas.Series,而不可以是Series中的單個元素

Pandas-時間序列基礎

Python標準庫中包含用於日期和時間的數據類型，而且還有日曆方面的功能，我們主要會用到datetime、time和calendar模塊，datetime.datetime是用的最多的數據類型。

datetime以毫秒形式存儲日期和時間，datetime.timedelta表示兩個datetime對象之間的時間差.

可以給datetime對象加上或者減去一個或多個timedelta，會產生一個新對象:

利用str或者strftime方法，datetime對象和pandas的Timestamp對象可以被格式化為字元串:

datetime.strptime也可以用這些格式化編碼將字元串轉化為日期:

datetime.strptime是通過已知格式進行日期解析的最佳方式，但是每次都要編寫格式定義很麻煩，尤其是對於一些常見的日期格式，這種情況下，可以用dateutil這個第三方包中的parser.parse方法,dateutil可以解析幾乎所有人類能夠理解的日期表示形式:

在國際通用格式中，日通常出現在月的前面，傳入dayfirst=True即可:

pandas通常是用於處理成組日期的，不管這些日期是DataFrame的軸索引還是列，to_datetime方法可以解析多種不同的日期表示形式。

to_datetime可以處理缺失值，NAT是pandas中時間戳數據的NA值:

pandas最基本的時間序列類型就是以時間戳為索引的Series：

這裡的Series索引不是普通的索引，而是DatetimeIndex，而ts變為了一個TimeSeries,同時，可以看到，pandas用Numpy的datetime64數據類型以納秒形式存儲時間戳。

跟其他Series一樣，不同索引的時間序列之間的算數運算會自動對齊:

DateTimeIndex中的各個標量值是pandas的Timestamp對象.

由於TimeSeries是Series的一個子類，所以在索引以及數據選曲方面他們的行為是一樣的，但是我們還可以傳入一個可以被解釋為日期的字元串來進行索引:

對於較長的時間序列，只需傳入年或年月即可輕鬆選取數據的切片:

通過日期進行切片的方式只對規則Series有效：

還有一個等價的實例方法也可以截取兩個日期之間的TimeSeries:

DataFrame也同樣適用上面的規則

pandas中的時間序列一般被認為是不規則的，也就是說，沒有固定的頻率，對於大部分程序而言，這是無所謂的，但是，他常常需要以某種相對固定的頻率進行分析，比如每月，每日，每15min等。pandas有一套標準時間序列頻率以及用於重採樣，頻率推斷，生成固定頻率日期範圍的工具.

例如，我們可以將之前的時間序列轉換為一個具有固定頻率（每日）的時間序列，只需調用resample即可.返回DatetimeIndexResampler，獲取值使用asfreq():

生成日期範圍使用date_range函數

默認情況下，date_range會產生按天計算的時間點，如果只傳入起始或結束日期，那就還得傳入一個表示一段時間的數字:

如果你不想按天生成數據，想要按照一定的頻率生成，我們傳入freq參數即可.如想按5小時生成數據:

如果你想生成一個由每月最後一個工作日組成的日期索引，可以使用BM頻率:

date_range默認會保留起始和結束的時間戳的時間信息，但是如果我們想產生一組規範化到午夜的時間戳，normalize選項可以實現這個功能:

WOM（week of Month）是一種非常實用的頻率類，它以WOM開頭，它使你能獲得諸如每月第三個星期五之類的日期:

python中datetime怎麼設置時區

1、默認情況下，pandas中的時間序列是單純（naive）的時區，其索引的tz欄位為None。

2、可以用時區集生成日期範圍。

3、從單純到本地化的轉換是通過tz_localize方法處理的。

4、一旦時間序列被本地化到某個特定時區，就可以用tz_convert將其轉換到別的時區了。

5、對於上面這種時間序列（它跨越了美國東部時區的夏令時轉變期），我們可以將其本地化到EST，再轉換為UTC或柏林時間。