Python--DateTime.s(時刻數據TimeStamp丶時間戳索引、時期對象Period)

本文轉載自查看原文 2019-11-07 02:38 2727 Python

Pandas 時刻數據 / 時間戳索引 / 時期對象

時刻數據　　TimeStamp 👇

時刻數據 代表時間點,是Python的數據類型 pandas.Timestamp 是一個時間戳

import pandas as pd
import datetime as dt

Timestamp 的創建 , 時間戳的實例化

date1 = dt.datetime.now()  
date2 = '2019-10-10 11:30:30'
t1 = pd.Timestamp(date1)
t2 = pd.Timestamp(date2)
print(t1,type(t1))
print(t2,type(t2))
#------輸出-----#
2019-11-05 23:46:38.328008 <class 'pandas._libs.tslibs.timestamps.Timestamp'>
2019-10-10 11:30:30 <class 'pandas._libs.tslibs.timestamps.Timestamp'>

👆 直接實例化。

to_datetime(time) ：

👇 to_datetime() 作用和上面的一樣，屬於調用方法實例化, 生成一個Timestamp對象 .

t3 = pd.to_datetime('2019-10-10')
t3

#------輸出-----#
Timestamp('2019-10-10 00:00:00')

👇 如何一次生成多個，可以選擇用 List (列表) 的方式：

dates = ['2019-10-10','2019-10-11','2019-10-12','2019-10-13','2019-10-14','2019-10-15','2019-10-16']
t3 = pd.to_datetime(dates)

#-----輸出-----#
DatetimeIndex(['2019-10-10', '2019-10-11', '2019-10-12', '2019-10-13','2019-10-14', '2019-10-15', '2019-10-16'],dtype='datetime64[ns]', freq=None)

👆 如果是多時間數據，生成的是一個DateTimeIndex ，是一個時間戳的索引，也就是時間索引。時間類型的索引。

👉 如果生成多個時間數據，列表中夾雜了非 Time 格式的數據，默認會報錯，它的解決方法就是添加 errors 參數

👉 errors = 'ignore' ： 會忽略錯誤，對原數據不可解析，返回原始數據，生成的是一個一般的 Index 索引。

dates = ['2019-10-10','2019-10-11','2019-10-12','abc']
t3 = pd.to_datetime(dates,errors='ignore')

#-----輸出-----#
Index(['2019-10-10', '2019-10-11', '2019-10-12', 'abc'], dtype='object')

👉 errors = 'coerce' ：非Time數據不可解析時，返回Nat值(not a time)，生成的對象還是一個 DateTimeIndex

dates = ['2019-10-10','2019-10-11','2019-10-12','abc']
t3 = pd.to_datetime(dates,errors='coerce')

#-----輸出-----#
DatetimeIndex(['2019-10-10', '2019-10-11', '2019-10-12', 'NaT'], dtype='datetime64[ns]', freq=None)

時間戳索引　　DateTimeIndex 👇

# DateTimeIndex 和TimeSeries 時間序列
dts = pd.DatetimeIndex(['2019-10-10','2019-10-11','2019-10-12','2019-10-13'])

#-----輸出-----#
DatetimeIndex(['2019-10-10', '2019-10-11', '2019-10-12', '2019-10-13'], dtype='datetime64[ns]', freq=None)

👆 直接生成|實例化一個時間序列 DateTimeIndex ，支持類型包括： str ,datetime.datetime

times = pd.Series(np.random.rand(len(dts)),index=dts)

#-----輸出----#
2019-10-10    0.185203
2019-10-11    0.925192
2019-10-12    0.103523
2019-10-13    0.734690
dtype: float64

👆 時間序列，以 DateTimeIndex 為 index 的Series （以時間戳為索引的Series）

👇 pd.date_range() - 時間范圍 , 生成時間范圍列表，參數start ,end ：

dg = pd.date_range('2019-10-01','2019-10-10')  #默認按 '天' 生成
dg1 = pd.date_range(start=dt.datetime.now(),periods=10)  #periods  生成時間個數,從開始時間算
dg2 = pd.date_range('2019-10-01','2019-10-05',periods=10) #時長不夠 則按h划分

DatetimeIndex(['2019-10-01', '2019-10-02', '2019-10-03', '2019-10-04',
               '2019-10-05', '2019-10-06', '2019-10-07', '2019-10-08',
               '2019-10-09', '2019-10-10'],
              dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2019-11-06 02:30:23.148685', '2019-11-07 02:30:23.148685',
               '2019-11-08 02:30:23.148685', '2019-11-09 02:30:23.148685',
               '2019-11-10 02:30:23.148685', '2019-11-11 02:30:23.148685',
               '2019-11-12 02:30:23.148685', '2019-11-13 02:30:23.148685',
               '2019-11-14 02:30:23.148685', '2019-11-15 02:30:23.148685'],
              dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2019-10-01 00:00:00', '2019-10-01 10:40:00',
               '2019-10-01 21:20:00', '2019-10-02 08:00:00',
               '2019-10-02 18:40:00', '2019-10-03 05:20:00',
               '2019-10-03 16:00:00', '2019-10-04 02:40:00',
               '2019-10-04 13:20:00', '2019-10-05 00:00:00'],
              dtype='datetime64[ns]', freq=None)

date_range() 的一些參數說明 :

# start : 開始時間
# end : 結束時間
# periods : 生成時間數量 
# freq : 頻率   按頻率生成  設置為s 為秒 ,h ,d ,m , y
# normalize : 轉換成午夜時間    設置為True 時，默認去除 時分秒
# closed : 時期區間的閉合   closed ='left'  左閉合  默認為None  全閉

時間頻率 timeseries.offset_aliases -- freq 參數 :

# 常見常用參數 ：
# freq   默認為"D"  每天
# B 每個工作日
# H 每小時
# M 每個月的最后一天
# T T/Min  每分鍾
# Q-DEC  指定某月為季度末，每個季度的最后一個月的最后一日
# S 每秒鍾
# L 每毫秒 (千分之一秒)
# U 每微秒 (百萬分之一秒)

print(pd.date_range('2019/1/1','2019/2/1',freq='W-Mon'))

#-----輸出-----#
DatetimeIndex(['2019-01-07', '2019-01-14', '2019-01-21', '2019-01-28'], dtype='datetime64[ns]', freq='W-MON')

👆 W-MON ：從指定星期幾開始算起，每周的星期幾
👆 星期幾縮寫： mon / tue / wed / thu / fri / sat / sun

print(pd.date_range('2019/1/1','2019/5/1',freq='WOM-2MON'))

#-----輸出-----#
DatetimeIndex(['2019-01-14', '2019-02-11', '2019-03-11', '2019-04-08'], dtype='datetime64[ns]', freq='WOM-2MON')

👆 WON-2MON ，每月的第幾個星期幾開始算，這里是每月第二個星期一

復合頻率 話不多說，直接看例子：

ad = pd.date_range('2019-10-10','2019-10-31',freq='7D')   # 每隔7天生成一個

#------輸出-----#
DatetimeIndex(['2019-10-10', '2019-10-17', '2019-10-24', '2019-10-31'], dtype='datetime64[ns]', freq='7D')

ad = pd.date_range('2019-10-10','2019-10-11',freq='2H30MIN')   #每隔2h30min生成一個 

#-----輸出-----#
DatetimeIndex(['2019-10-10 00:00:00', '2019-10-10 02:30:00',
               '2019-10-10 05:00:00', '2019-10-10 07:30:00',
               '2019-10-10 10:00:00', '2019-10-10 12:30:00',
               '2019-10-10 15:00:00', '2019-10-10 17:30:00',
               '2019-10-10 20:00:00', '2019-10-10 22:30:00'],
              dtype='datetime64[ns]', freq='150T')

時刻頻率的改變：例如：

ts = pd.Series(np.random.rand(5),index=pd.date_range('2019-1-1',periods=5,freq='H'))

#-----輸出-----#
2019-01-01 00:00:00    0.235263
2019-01-01 01:00:00    0.116529
2019-01-01 02:00:00    0.475352
2019-01-01 03:00:00    0.285782
2019-01-01 04:00:00    0.278366
Freq: H, dtype: float64

👆 如何把上方的頻率 H 降頻為min , s 或者其他呢？用 .asfreq() 方法

ts.asfreq('2H')

#-----輸出-----#
2019-01-01 00:00:00    235.263032
2019-01-01 02:00:00    475.352441
2019-01-01 04:00:00    278.366048
Freq: 2H, dtype: float64

ts.asfreq('30min') 
#-----輸出-----#
2019-01-01 00:00:00    235.263032
2019-01-01 00:30:00           NaN
2019-01-01 01:00:00    116.529416
2019-01-01 01:30:00           NaN
2019-01-01 02:00:00    475.352441
2019-01-01 02:30:00           NaN
2019-01-01 03:00:00    285.781654
2019-01-01 03:30:00           NaN
2019-01-01 04:00:00    278.366048
Freq: 30T, dtype: float64

👆 當超頻時，默認為NaN，通過 method = 'ffill' 時向前填充 , bfill 時向后填充.

超前和滯后：數據值相對索引自定義向前后移動 : .shift()

ts.shift(1)

#-----輸出-----#

2019-01-01 00:00:00         NaN
2019-01-01 01:00:00    0.517237
2019-01-01 02:00:00    0.152740
2019-01-01 03:00:00    0.790932
2019-01-01 04:00:00    0.988369
Freq: H, dtype: float64

👆 ：值為正數值往后面挪動，值為負數值往前挪動 .也可以理解為時間移動了,其實是值移動了.

👆 ：有個很強大的功能，例如：計算當前值和上一次值的變化百分比

ts = ts * 1000
print(ts/ts.shift(1)-1)

#-----輸出-----#
2019-01-01 00:00:00         NaN
2019-01-01 01:00:00   -0.504685
2019-01-01 02:00:00    3.079248
2019-01-01 03:00:00   -0.398800
2019-01-01 04:00:00   -0.025949
Freq: H, dtype: float64

## 解釋：
具體的意思就是第二天相比比第一天相比增長還是下降，每天的增降再Sum一下便能得到整個月的數值與上月比較漲幅。 (今天的值除以昨天的值的再減百分之百)

移動時間 .shift() +freq :

print(ts)
ts.shift(-30,freq="T")

#-----輸出-----#
2019-01-01 00:00:00    59.981144
2019-01-01 01:00:00    39.215781
2019-01-01 02:00:00    62.647637
2019-01-01 03:00:00    57.058369
2019-01-01 04:00:00    84.421470
Freq: H, dtype: float64

2018-12-31 23:30:00    59.981144
2019-01-01 00:30:00    39.215781
2019-01-01 01:30:00    62.647637
2019-01-01 02:30:00    57.058369
2019-01-01 03:30:00    84.421470
Freq: H, dtype: float64

View Code

👆 加上參數 freq 代表移動時間索引整體移動, #不添加freq 值移動，添加freq 時間移動#

時期對象　　　　Period 👇

創建一個 Period 對象

pd.Period('2019',freq='2M')

#-----輸出-----#
Period('2019-01', '2M')

👆 這是一個以2019-01開始，月為頻率的時間構造器

👆 pd.Period參數： freq 👉 指明該 period 的長度，時間戳說明時間的具體位置

時期~范圍 pd.period_range() :

pd.period_range('2019-1-1','2019-10-1',freq='M')

#-----輸出-----#
PeriodIndex(['2019-01', '2019-02', '2019-03', '2019-04', '2019-05', '2019-06',
             '2019-07', '2019-08', '2019-09', '2019-10'],
            dtype='period[M]', freq='M')

👆 返回的是一個periodIndex 對象：時期索引對象

pd.Series(np.random.rand(10),index=perd)

#-----輸出-----#
2019-01    0.512124
2019-02    0.289445
2019-03    0.337499
2019-04    0.828296
2019-05    0.574218
2019-06    0.290252
2019-07    0.806585
2019-08    0.233860
2019-09    0.833617
2019-10    0.143754
Freq: M, dtype: float64

　　Timestamp 表示一個時間戳，表示一個具體的時間

　　Period 表示一個時期，一個時間段。作為索引來說，區別不大！

# 頻率的轉換 ，下面展示的是由M 轉 D ：

perd.asfreq('D',how='S')

#-----輸出-----#
PeriodIndex(['2019-01-01', '2019-02-01', '2019-03-01', '2019-04-01',
             '2019-05-01', '2019-06-01', '2019-07-01', '2019-08-01',
             '2019-09-01', '2019-10-01'],
            dtype='period[D]', freq='D')

how =' S' 指定第一個值 S 代表開始 Start ，E 代表末尾 End

時間戳 和時期之間的轉換 , pd.to_period , pd.to_timestamp

pt = pd.period_range('2018','2019',freq='M')
st = pd.date_range('2019/1/1',periods=10,freq='MS')

pts = pd.Series(np.random.rand(len(pt)),index=pt)
pts.to_timestamp   #每月的最后一日,轉換成每日

sts = pd.Series(np.random.rand(len(st)),index=st)
sts.to_period    #每月,轉換為每月的第一天

<bound method Series.to_timestamp of 2018-01    0.910903
2018-02    0.582622
2018-03    0.942149
2018-04    0.849428
2018-05    0.866768
2018-06    0.840774
2018-07    0.085061
2018-08    0.963129
2018-09    0.256044
2018-10    0.727409
2018-11    0.043810
2018-12    0.544194
2019-01    0.030864
Freq: M, dtype: float64>

<bound method Series.to_period of 2019-01-01    0.699750
2019-02-01    0.685037
2019-03-01    0.218881
2019-04-01    0.811947
2019-05-01    0.102095
2019-06-01    0.869153
2019-07-01    0.654644
2019-08-01    0.792193
2019-09-01    0.179387
2019-10-01    0.855273
Freq: MS, dtype: float64>

View Code

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 python中將datetime對象轉化為時間戳 C# 時間戳（TimeStamp）與時間（DateTime）的互相轉換 C# 時間戳（TimeStamp）與時間（DateTime）的互相轉換 ASP.NET 時間戳（TimeStamp）與時間（DateTime）的互相轉換 c# datetime與 timeStamp（unix時間戳）互相轉換 c# datetime與 timeStamp時間戳互相轉換 c# datetime與 timeStamp（unix時間戳）互相轉換 timeStamp（時間戳） time和datetime時間戳---python mysql之TIMESTAMP（時間戳）

Python--DateTime.s(時刻數據TimeStamp丶時間戳索引、時期對象Period)

Pandas 時刻數據 / 時間戳索引 / 時期對象

時刻數據 TimeStamp 👇

時間戳索引 DateTimeIndex 👇

時期對象 Period 👇

免責聲明！

時刻數據　　TimeStamp 👇

時間戳索引　　DateTimeIndex 👇

時期對象　　　　Period 👇