# 導入相關庫 import numpy as np import pandas as pd
在做金融領域方面的分析時，經常會對時間進行一系列的處理。Pandas 內部自帶了很多關於時間序列相關的工具，所以它非常適合處理時間序列。在處理時間序列的過程中，我們經常會去做以下一些任務：
- 生成固定頻率日期和時間跨度的序列
- 將時間序列整合或轉換為特定頻率
- 基於各種非標准時間增量（例如，在一年的最后一個工作日之前的 5 個工作日）計算“相對”日期，或向前或向后“滾動”日期
使用 Pandas 可以輕松完成以上任務
基礎概述
下面列出了 Pandas中 和時間日期相關常用的類以及創建方法：
Pandas 中關於時間序列最常見的類型就是時間戳（ Timestamp ）了，創建時間戳的方法有很多種，我們分別來看一看
時間戳（Timestamp）
pd.Timestamp(2019, 11, 7) # Timestamp('2019-11-07 00:00:00') pd.Timestamp("2019-11-7") # Timestamp('2019-11-07 00:00:00') pd.to_datetime("2019-11-7") # Timestamp('2019-11-07 00:00:00')
除了時間戳之外，另一個常見的結構是時間跨度（ Period ）
時間跨度（Period）
freq 為頻率周期參數，D 為日，M 為月
pd.Period("2019-11") # Period('2019-11', 'M') pd.Period("2019-11-7") # Period('2019-11-07', 'D') pd.Period("2019-11", freq="D") # Period('2019-11-01', 'D')
基於時間的索引
Timestamp 和 Period 可以是索引。將 Timestamp 和 Period 作為 Series 或 DataFrame 的索引后會自動強制轉為 DatetimeIndex 和 PeriodIndex
Timestamp 作為索引
dates = [
pd.Timestamp("2019-11-01"),
pd.Timestamp("2019-11-02"),
pd.Timestamp("2019-11-03"),
pd.Timestamp("2019-11-04")
] ts = pd.Series(data=["Tom", "Bob", "Mary", "James"], index=dates) ts """ 2018-05-01 Tom 2018-05-02 Bob 2018-05-03 Mary 2018-05-04 James dtype: object """ ts.index """ DatetimeIndex(['2018-05-01', '2018-05-02', '2018-05-03', '2018-05-04'], dtype='datetime64[ns]', freq=None) """
Period 作為索引
periods = [ pd.Period("2018-01"), pd.Period("2018-02"), pd.Period("2018-03"), pd.Period("2018-4") ] ts = pd.Series(data=["Tom", "Bob", "Mary", "James"], index=periods) ts """ 2018-01 Tom 2018-02 Bob 2018-03 Mary 2018-04 James Freq: M, dtype: object """ ts.index """ PeriodIndex(['2018-01', '2018-02', '2018-03', '2018-04'], dtype='period[M]', freq='M') """
轉換時間戳
你可能會想到，我們經常要和文本數據（字符串）打交道，能否快速將文本數據轉為時間戳呢？答案是可以的，通過 to_datetime 能快速將字符串轉換為時間戳。當傳遞一個Series時，它會返 回一個Series（具有相同的索引），而類似列表的則轉換為 DatetimeIndex
to_datetime 將字符串轉換為時間戳
pd.to_datetime(pd.Series(["Jul 31, 2019", "2019-11-10", None])) """ 0 2019-07-31 1 2019-11-10 2 NaT dtype: datetime64[ns] """ pd.to_datetime(["2008/8/28", "2008.9.25"]) """ DatetimeIndex(['2008-08-28', '2008-09-25'], dtype='datetime64[ns]', freq=None) """
將 unix 時間轉為時間戳
pd.to_datetime([1349720105, 1349806505, 1349892905], unit="s") """ DatetimeIndex(['2012-10-08 18:15:05', '2012-10-09 18:15:05', '2012-10-10 18:15:05'], dtype='datetime64[ns]', freq=None) """ pd.to_datetime([1349720105100, 1349720105200, 1349720105300], unit="ms") """ DatetimeIndex(['2012-10-08 18:15:05.100000', '2012-10-08 18:15:05.200000', '2012-10-08 18:15:05.300000'], dtype='datetime64[ns]', freq=None) """
生成時間戳范圍
有時候，我們可能想要生成某個范圍內的時間戳。例如，我想要生成 "2019-10-1" 這一天之后的8 天時間戳，如何完成呢？我們可以使用 date_range 和 bdate_range 來完成時間戳范圍的生成。
生成某個范圍內的時間戳
date_range 默認使用的頻率是日歷日
bdate_range 默認使用的頻率是營業日
pd.date_range("2019-10-1", periods=7) """ DatetimeIndex(['2019-10-01', '2019-10-02', '2019-10-03', '2019-10-04', '2019-10-05', '2019-10-06', '2019-10-07'], dtype='datetime64[ns]', freq='D') """ pd.bdate_range("2019-10-1", periods=7) """ DatetimeIndex(['2019-10-01', '2019-10-02', '2019-10-03', '2019-10-04', '2019-10-07', '2019-10-08', '2019-10-09'], dtype='datetime64[ns]', freq='B') """
按周來生成時間戳范圍
pd.date_range("2019-10-1", periods=7, freq="W") """ DatetimeIndex(['2019-10-06', '2019-10-13', '2019-10-20', '2019-10-27', '2019-11-03', '2019-11-10', '2019-11-17'], dtype='datetime64[ns]', freq='W-SUN') """
DatetimeIndex
DatetimeIndex 的主要作用之一是用作 Pandas 對象的索引，使用它作為索引除了擁有普通索引對象的所有基本功能外，還擁有簡化頻率處理的高級時間序列方法
rng = pd.date_range("2019-10-1", periods=4, freq="W") ts = pd.Series(range(len(rng)), index=rng) ts """ 2019-10-06 0 2019-10-13 1 2019-10-20 2 2019-10-27 3 Freq: W-SUN, dtype: int64 """
通過日期訪問數據
ts["2019-10-20"] # 2
通過日期區間訪問數據切片
ts["2019-10-13": "2019-10-20"] """ 2019-10-13 1 2019-10-20 2 Freq: W-SUN, dtype: int64 """
傳入年份
ts["2019"]
傳入年份和月份
ts["2019-10"]
datetime 進行索引
from datetime import datetime ts[datetime(2019, 10, 6) : datetime(2019, 10, 13)]
獲取年份
ts.index.year
獲取星期幾
ts.index.dayofweek
獲取一年中的第幾個星期
ts.index.weekofyear
DateOffset 對象
DateOffset 是做日期偏移的，它的參數與 dateutil.relativedelta 基 本相同，工作方式如下：
from pandas.tseries.offsets import * d = pd.Timestamp("2019-10-06") d + DateOffset(weeks=2, days=5) """ Timestamp('2019-10-25 00:00:00') """
除了可以使用 DateOffset 完成上面的功能外，還可以使用偏移量實例來完成：
from pandas.tseries.offsets import * d = pd.Timestamp("2019-10-06") d + Week(2) + Day(5)
與時間序列相關的方法
在做時間序列相關的工作時，經常要對時間做一些移動/滯后、頻率轉換、采樣等相關操作。
移動時間序列
如果你想移動或滯后時間序列，你可以使用 shift 方法
ts.shift(2) """ 2019-10-06 NaN 2019-10-13 NaN 2019-10-20 0.0 2019-10-27 1.0 Freq: W-SUN, dtype: float64 """
可以看到，Series 所有的值都都移動了 2 個距離。如果不想移動值，而是移動日期索引，可以使 用 freq 參數，它可以接受一個 DateOffset 類或其他 timedelta 類對象或一個 offset 別名
ts.shift(2, freq=Day()) """ 2019-10-08 0 2019-10-15 1 2019-10-22 2 2019-10-29 3 Freq: W-TUE, dtype: int64 """
通過 tshift 同樣可以達到相同的效果：
ts.tshift(2, freq=Day())
頻率轉換
頻率轉換可以使用 asfreq 函數來實現
# 將頻率由周轉為了天 ts.asfreq(Day())
但是我們發現出現了缺失值，因此 Pandas 提供了 method 參數來填充缺失值。幾種不同的填充方法參考 Pandas 缺失值處理 中 fillna 介紹。
ts.asfreq(Day(), method="pad")
重采樣
resample 表示根據日期維度進行數據聚合，可以按照分鍾、小時、工作日、周、月、年等來作為日期維度
這里我們以月來作為時間維度來進行聚合
# 求出每個月的數值之和 ts.resample("1M").sum() # 求出每個月的數值平均值 ts.resample("1M").mean()