數據分析（6）-Pandas日期數據處理

Pandas 有着強大的日期數據處理功能，主要包括以下三個方面：按日期篩選數據、按日期顯示數據、按日期統計數據

1、讀取數據

import pandas as pd

df = pd.read_csv('date.csv', header=None)
print(df.head(2))

>>>輸出結果：
0 1
0 2013-10-24 3
1 2013-10-25 4

2、整理數據

df.columns = ['date','number']
df['date'] = pd.to_datetime(df['date']) # 將數據類型轉換為日期類型
df = df.set_index('date') # 將date設置為index

print(type(df))
print(df.index)
print(type(df.index))

>>>輸出結果：
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex(['2013-10-24', '2013-10-25', '2013-10-29', '2013-10-30',...'2017-02-14', '2017-02-22'],dtype='datetime64[ns]', name='date', length=425, freq=None)
<class 'pandas.tseries.index.DatetimeIndex'>　

3、構造Serises

s = pd.Series(df['number'], index=df.index)
print(type(s))
s.head(2)

>>>輸出結果：
<class 'pandas.core.series.Series'>
date
2013-10-24 3
2013-10-25 4
Name: number, dtype: int64

4、按日期篩選數據

# 獲取某年的數據
print(df['2013'].head(2)) # 獲取2013年的數據
print(df['2016':'2017'].head(2)) # 獲取2016至2017年的數據

# 獲取某月的數據
print(df['2013-11']) # 獲取某月的數據

# 獲取某天的數據
print(s['2013-11-06'])

dataframe 的 truncate 函數可以獲取某個時期之前或之后的數據，或者某個時間區間的數據，但一般建議直接用切片（slice），這樣更為直觀，方便
print(df.truncate(after = '2013-11'))

5、按日期顯示數據

1）to_period() 方法

print(df.to_period('Q').head()) # 按季度顯示，但不統計

print(df.to_period('A').head()) # 按年度顯示，但不統計

2）asfreq() 方法

df_period.index.asfreq('A') # 按年度頻率顯示，'A'默認是'A-DEC',其他如'A-JAN'

df_period.index.asfreq('Q') # 按季度頻率顯示，'Q' 默認是'Q-DEC',其他如“Q-SEP”，“Q-FEB”

df_period.index.asfreq('M') # 按月度頻率顯示，按月份顯示

df_period.index.asfreq('B', how='start') # 按工作日顯示，按工作日期顯示
df_period.index.asfreq('B', how='end') # 按工作日顯示，按工作日期顯示

6、按日期統計數據

1）統計

print(df.resample('w').sum().head()) # 按周統計

print(df.resample('M').sum().head())
# ”MS”是每個月第一天為開始日期,”M”是每個月最后一天

print(df.resample('Q').sum().head())
# ”QS”是每個季度第一天為開始日期,”Q”是每個季度最后一天

print(df.resample('AS').sum())
# ”AS”是每年第一天為開始日期, ”A”是每年最后一天

2）顯示

print(df.resample('AS').sum().to_period('A'))
# 按年統計並顯示

print(df.resample('Q').sum().to_period('Q').head())
# 按季度統計並顯示

print(df.resample('M').sum().to_period('M').head())
# 按月度統計並顯示