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。但pandas有一整套標准時間序列頻率以及用於重采樣、頻率推斷、生成固定頻率日期范圍的工具。例如將一個時間序列轉換為固定頻率的時間序列，只需要調用resample即可。
頻率的轉換（或重采樣）是一個大的主題，這里先介紹如何使用基本的頻率。
1.1 生成日期范圍
pandas.date_range()可用於生成指定長度的DatetimeIndex。
1 >>> index = pd.date_range('1/1/2020', '1/10/2020') 2 >>> index 3 DatetimeIndex(['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', 4 '2020-01-05', '2020-01-06', '2020-01-07', '2020-01-08', 5 '2020-01-09', '2020-01-10'], 6 dtype='datetime64[ns]', freq='D') 7 >>>
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。
1 >>> pd.date_range(start='1/1/2020', periods=20) 2 DatetimeIndex(['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', 3 '2020-01-05', '2020-01-06', '2020-01-07', '2020-01-08', 4 '2020-01-09', '2020-01-10', '2020-01-11', '2020-01-12', 5 '2020-01-13', '2020-01-14', '2020-01-15', '2020-01-16', 6 '2020-01-17', '2020-01-18', '2020-01-19', '2020-01-20'], 7 dtype='datetime64[ns]', freq='D') 8 >>> pd.date_range(end='1/20/2020', periods=20) 9 DatetimeIndex(['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04', 10 '2020-01-05', '2020-01-06', '2020-01-07', '2020-01-08', 11 '2020-01-09', '2020-01-10', '2020-01-11', '2020-01-12', 12 '2020-01-13', '2020-01-14', '2020-01-15', '2020-01-16', 13 '2020-01-17', '2020-01-18', '2020-01-19', '2020-01-20'], 14 dtype='datetime64[ns]', freq='D') 15 >>>
起始和結束日期定義了日期索引的嚴格邊界。例如，如果你想要生成由每月最后一個工作日組成的日期索引，可以傳入“BM”頻率（表示business end of month），這樣只會包含時間間隔內（或剛好在邊界上）符合頻率要求的日期。
1 >>> pd.date_range('1/1/2000', '12/1/2000', freq='BM') 2 DatetimeIndex(['2000-01-31', '2000-02-29', '2000-03-31', '2000-04-28', 3 '2000-05-31', '2000-06-30', '2000-07-31', '2000-08-31', 4 '2000-09-29', '2000-10-31', '2000-11-30'], 5 dtype='datetime64[ns]', freq='BM') 6 >>>
date_range默認會保留起始和結束時間戳的時間信息。
1 >>> pd.date_range('5/2/2012 12:56:31', periods=5) 2 DatetimeIndex(['2012-05-02 12:56:31', '2012-05-03 12:56:31', 3 '2012-05-04 12:56:31', '2012-05-05 12:56:31', 4 '2012-05-06 12:56:31'], 5 dtype='datetime64[ns]', freq='D')
有時，雖然起始和結束日期都帶有時間信息，但希望產生一組被規范化（normalize）到午夜的時間戳，normalize選項即可實現該功能。
1 >>> pd.date_range('5/2/2012 12:56:31', periods=5, normalize=True) 2 DatetimeIndex(['2012-05-02', '2012-05-03', '2012-05-04', '2012-05-05', 3 '2012-05-06'], 4 dtype='datetime64[ns]', freq='D')
1.2 頻率與日期偏移量
pandas的頻率由一個基礎頻率（base frequency）和一個乘數組成的。基礎頻率通常以一個字符串別名表示，比如“M”表示每月，“H”表示每小時。對於每個基礎頻率，都有一個被稱為日期偏移量（date offset）的對象與之對應。如，按小時計算的頻率可以用Hour類表示。
1 >>> from pandas.tseries.offsets import Hour, Minute 2 >>> hour = Hour() 3 >>> hour 4 <Hour> 5 >>> four_hours = Hour(4) #定義偏移量的倍數 6 >>> four_hours 7 <4 * Hours>
一般來說，無需顯示創建這樣的對象，只需要使用諸如“H”或“4H”這樣的字符串別名即可。在基礎頻率前放一個整數即可創建倍數。
1 >>> pd.date_range('1/1/2020', '1/3/2020 23:59', freq='4H') 2 DatetimeIndex(['2020-01-01 00:00:00', '2020-01-01 04:00:00', 3 '2020-01-01 08:00:00', '2020-01-01 12:00:00', 4 '2020-01-01 16:00:00', '2020-01-01 20:00:00', 5 '2020-01-02 00:00:00', '2020-01-02 04:00:00', 6 '2020-01-02 08:00:00', '2020-01-02 12:00:00', 7 '2020-01-02 16:00:00', '2020-01-02 20:00:00', 8 '2020-01-03 00:00:00', '2020-01-03 04:00:00', 9 '2020-01-03 08:00:00', '2020-01-03 12:00:00', 10 '2020-01-03 16:00:00', '2020-01-03 20:00:00'], 11 dtype='datetime64[ns]', freq='4H')
大部分偏移量對象可通過加法進行連接。
1 >>> Hour(2) + Minute(30) 2 <150 * Minutes>
同理，也可以傳入頻率字符串，這種字符串可以被高效的解析為等效的表達式。
1 >>> pd.date_range('1/1/2020', periods=10, freq='1h30min') 2 DatetimeIndex(['2020-01-01 00:00:00', '2020-01-01 01:30:00', 3 '2020-01-01 03:00:00', '2020-01-01 04:30:00', 4 '2020-01-01 06:00:00', '2020-01-01 07:30:00', 5 '2020-01-01 09:00:00', '2020-01-01 10:30:00', 6 '2020-01-01 12:00:00', '2020-01-01 13:30:00'], 7 dtype='datetime64[ns]', freq='90T')
有些頻率說描述的時間點並不是均勻分隔的，例如：“M”（日歷月末）和“BM”（每月最后一個工作日）就取決於每月的天數。對於后者，還要考慮月末是不是周末。我們將這些稱為瞄點偏移量（anchored offset）。下表是pandas中頻率代碼和日期偏移量類。
| 別名 |
偏移量類型 |
說明 |
| D |
Day |
每日歷日 |
| B |
BusinessDay |
每工作日 |
| H |
Hour |
每小時 |
| T或min |
Minute |
每分 |
| S |
Second |
每秒 |
| L或ms |
Milli |
每毫秒（即每千分之一秒） |
| Y |
Micro |
每微妙（即每百萬分之一秒） |
| M |
MonthEnd |
每月最后一個日歷日 |
| BM |
BusinessMonthEnd |
每月最后一個工作日 |
| MS |
MonthBegin |
每月第一個日歷日 |
| BMS |
BusinessMonthBegin |
每月第一個工作日 |
| W-MON、W-TUE… |
Week |
從指定的星期幾（MON、TUE、WED、THU、FRI、SAT、SUM）開始算起，每周 |
| WOM-1MON、WOM-2MON… |
WeekOfMonth |
產生每月第一、第二、第三或第四周的星期幾。例如，WOM-3FRI表示每月第三個星期五 |
| Q-JAN、Q-FEB… |
QuarterEnd |
對於以指定月份（JAN、FEB、MAR、APR、MAY、JUN、JUL、AUG、SEP、OCT、NOV、DEC）結束的年度，每季度最后一月的最后一個日歷日 |
| BQ-JAN、BQ-FEB… |
BusinessQuarterEnd |
對於以指定月份結束的年度，每季度最后一月的最后一個工作日 |
| QS-JAN、QS-FEB… |
QuarterBegin |
對於以指定月份結束的年度，么季度最后一月的第一個日歷日 |
| BQS-JAN、BQS-FEB… |
BusinessQuarterBegin |
對於以指定月份結束的年度。每季度最后一月的第一個工作日 |
| A-JAN、A-FEB… |
YearEnd |
每年指定月份的最后一個日歷日 |
| BA-JAN、BA-FEB… |
BusinessYearEnd |
每年指定月份的最后一個工作日 |
| AS-JAN、AS-FEB… |
YearBegin |
每年指定月份的第一個日歷日 |
| BAS-JAN、BAS-FEB… |
BusinessYearBegin |
每年指定月份的第一個工作日 |
WOM日期：WOM（Week Of Month）是一種很實用的頻率類。它使你能夠獲得諸如“每月第三個星期五”之類的日期：
1 >>> rng = pd.date_range('1/1/2020', '9/1/2020', freq='WOM-3FRI') 2 >>> list(rng) 3 [Timestamp('2020-01-17 00:00:00', freq='WOM-3FRI'), Timestamp('2020-02-21 00:00:00', freq='WOM-3FRI'), Timestamp('2020-03-20 00:00:00', freq='WOM-3FRI'), Timestamp('2020-04-17 4 00:00:00', freq='WOM-3FRI'), Timestamp('2020-05-15 00:00:00', freq='WOM-3FRI'), Timestamp('2020-06-19 00:00:00', freq='WOM-3FRI'), Timestamp('2020-07-17 00:00:00', freq='WOM-3FRI'), Timestamp('2020-08-21 00:00:00', freq='WOM-3FRI')] 5 >>>
1.3 移動（超前或滯后）數據
移動（shifting）指的是沿着時間軸將數據前移或者后移。Series和DataFrame都有一個shift方法用於執行單純的前移或后移操作，保持索引不變。
1 >>> ts = pd.Series(np.random.randn(4), index=pd.date_range('1/1/2000', periods=4, freq='M')) 2 >>> ts 3 2000-01-31 -1.341160 4 2000-02-29 1.146953 5 2000-03-31 -1.434801 6 2000-04-30 -1.175278 7 Freq: M, dtype: float64 8 >>> ts.shift(2) 9 2000-01-31 NaN 10 2000-02-29 NaN 11 2000-03-31 -1.341160 12 2000-04-30 1.146953 13 Freq: M, dtype: float64 14 >>> ts.shift(-2) 15 2000-01-31 -1.434801 16 2000-02-29 -1.175278 17 2000-03-31 NaN 18 2000-04-30 NaN 19 Freq: M, dtype: float64 20 >>>
shift通常用於計算一個時間序列或多個時間序列（如DataFrame的列）中的百分比變化。可以這樣表達：ts/ts.shift(1) – 1。
由於單純的移位操作不會修改索引，所以部分數據會被丟棄。因此，如果頻率已知，則可以將其傳給shift以便實現對時間戳進行移位而不是對數據進行簡單移位。
1 >>> ts 2 2000-01-31 -1.341160 3 2000-02-29 1.146953 4 2000-03-31 -1.434801 5 2000-04-30 -1.175278 6 Freq: M, dtype: float64 7 >>> ts.shift(2, freq='M') 8 2000-03-31 -1.341160 9 2000-04-30 1.146953 10 2000-05-31 -1.434801 11 2000-06-30 -1.175278 12 Freq: M, dtype: float64 13 >>> ts.shift(3, freq='D') 14 2000-02-03 -1.341160 15 2000-03-03 1.146953 16 2000-04-03 -1.434801 17 2000-05-03 -1.175278 18 dtype: float64 19 >>> ts.shift(1, freq='3D') 20 2000-02-03 -1.341160 21 2000-03-03 1.146953 22 2000-04-03 -1.434801 23 2000-05-03 -1.175278 24 dtype: float64 25 >>> ts.shift(1, freq='90T') 26 2000-01-31 01:30:00 -1.341160 27 2000-02-29 01:30:00 1.146953 28 2000-03-31 01:30:00 -1.434801 29 2000-04-30 01:30:00 -1.175278 30 Freq: M, dtype: float64 31 >>>
1.4 通過偏移量對日期進行位移
pandas的日期偏移量還可以對用在datetime或timestamp對象上。
如果加的是錨點偏移量（比如MonthEnd），第一次增量會將原日期向前滾動到符合頻率規則的下一個日期。
通過錨點偏移量的rollforward和rollback方法，可以顯示的將日期向前或先后“滾動”。
1 >>> from pandas.tseries.offsets import Day, MonthEnd 2 >>> now = datetime(2011, 11, 17) 3 >>> now + 3*Day() #增加錨點偏移量 4 Timestamp('2011-11-20 00:00:00') 5 >>> now + MonthEnd() 6 Timestamp('2011-11-30 00:00:00') 7 >>> now + MonthEnd(2) 8 Timestamp('2011-12-31 00:00:00') 9 >>> offset = MonthEnd() 10 >>> offset.rollforward(now) #前滾 11 Timestamp('2011-11-30 00:00:00') 12 >>> offset.rollback(now) #后滾 13 Timestamp('2011-10-31 00:00:00')
日期偏移量還有一個巧妙地用法，即結合groupby使用這兩個“滾動”方法：
1 >>> ts = pd.Series(np.random.randn(20), index=pd.date_range('1/15/2000', periods=20, freq='4d')) 2 >>> ts.groupby(offset.rollforward).mean() 3 2000-01-31 -0.472525 4 2000-02-29 -0.328598 5 2000-03-31 -0.620547 6 dtype: float64 7 >>> ts 8 2000-01-15 1.318127 9 2000-01-19 -1.589067 10 2000-01-23 -1.157066 11 2000-01-27 -0.621659 12 2000-01-31 -0.312961 13 2000-02-04 -0.839835 14 2000-02-08 0.886033 15 2000-02-12 -0.478009 16 2000-02-16 -0.383263 17 2000-02-20 1.837059 18 2000-02-24 -1.343584 19 2000-02-28 -1.978589 20 2000-03-03 -1.372423 21 2000-03-07 -0.837760 22 2000-03-11 -0.329621 23 2000-03-15 -0.237106 24 2000-03-19 -0.596162 25 2000-03-23 -1.020840 26 2000-03-27 -0.037938 27 2000-03-31 -0.532527 28 Freq: 4D, dtype: float64