如何在Pandas中利用时间序列

python中的pandas库提供了一套标准的时间序列工具和数据算法。通过这一点，我们可以有效地处理非常大的时间序列，并轻松地对不规则和固定频率的时间序列进行切片和切块、聚合和重新采样。

时间序列数据是结构化数据的一种重要形式，被用于金融、经济、生态学等领域。任何在许多时间点上被观察或测量的东西都构成了时间序列。

1.时间戳。这些是时间上的特定时刻
2.固定时期。这将代表诸如5月25日的月份或1999年全年。

DateTime中的模块

• date：该模块用于存储年、月、日格式的日历。
• time：该模块用于获取和显示小时、分钟、秒和微秒格式的时间。
• datetime：该模块用于存储日期和时间。
• Timedelta：该模块用于获取两个日期时间值之间的差异。

以下是描述如何利用pandas库中的时间序列的各种例子：

例子1：显示当前日期和时间。在这个程序中，我们将显示当前的日期和时间。

# import datetime module 
# for getting date and time
from datetime import datetime
  
# command to display 
# current date and time
datetime.now()

输出:

例子2：程序从模块中单独显示小时、分钟、秒、月、年、日。

# import module
from datetime import datetime
  
# display all attributes
a=datetime.now()
print(a.year)
print(a.day)
print(a.month)
print(a.hour)
print(a.minute)
print(a.second)
print(a.microsecond)
print(a.date)

输出:

例子3：两个日期之间的差异。我们可以使用timedelta模块获得小时、天和分钟的差异。

# importing time delta module
from datetime import timedelta
  
# subtracting date from year 2027 to 2021
deltaresult = datetime(2027, 5, 7) - datetime(2021, 6, 24)
  
# display the result
print(deltaresult)
  
# to get days
print(deltaresult.days)
  
# to get seconds difference
print(deltaresult.seconds)

输出:

如果我们想生成时间序列数据，python将支持date_range模块。这将生成给定频率内的日期。它在pandas模块中可用。

语法:

pandas.date_range(start=None, end=None, periods=None, freq=None)

参数:

• start：从开始日期开始的时间。
• end：指定结束日期时间。
• freq：代表一个频率，如小时、分钟或秒。

示例4：在这个程序中，我们可以从2021年1月1日开始，使用date_range方法显示到3月的日期。

# importing pandas module
import pandas as pd
  
# using date_range function to generate 
# dates from january 1 2021 to 
# march 16 2021 as periods = 75
dates = pd.date_range('1/1/2021', periods=75)
  
print(dates)

输出:

通过使用时间序列作为索引，生成对应日期的数值。

例子5：在这个程序中，我们通过设置日期作为每个值的索引来给日期取值。

# importing pandas module
import pandas as pd
# importing numpy module for generating values
import numpy as np
  
# using date_range function to generate dates
# from january 1 2021 to march 16 2021 as periods = 75
dates = pd.date_range('1/1/2021', periods=75)
  
# giving values to dates
results = pd.Series(np.arange(75), index=dates)
  
# print results
print(results)
  
# converting to data frame
print(pd.DataFrame(results))

输出:

我们可以通过以下方法将数据字符串列转换为日期时间类型。

语法:

pandas.to_datetime(column_name) 

示例6：在这个程序中，我们将把字符串数据转换为日期时间类型。

# importing pandas module for data frame
import pandas as pd
  
# creating data frame for different customers 
# in a shop with respect to dates
data = pd.DataFrame({'dates': ['1/2/2021',
                               '2/4/2020',
                               '1/3/2021',
                               '4/12/2017'],
                     'customers': [100, 30, 56, 56]})
  
# display original data
data
  
# converting dates column to date 
# using pandas.to_datetime function
data['dates'] = pd.to_datetime(data['dates'])
  
# data after conversion
data

输出:

实例7：在这个程序中，我们要把一些时间序列数据作为索引，进行转换，并验证它们是否相等。

# importing pandas module for data frame
import pandas as pd
  
# creating data frame for different customers 
# in a shop with respect to dates
data = pd.DataFrame({'dates': ['1/2/2021', '2/4/2020', 
                               '1/3/2021', '4/12/2017',
                               '1/2/2021', '2/4/2020', 
                               '1/3/2021'], 
                     'customers': [100, 30, 56, 
                                   56, 23, 45, 67]})
# display original data
data
  
# converting dates column to date 
# using pandas.to_datetime function
data['dates'] = pd.to_datetime(data['dates'])
  
# after conversion
data
  
# finding unique time series data
print(data['dates'].nunique())
  
# counting each series data
data['dates'].value_counts()

输出:

示例8：程序显示具有DateTime对象的数据框的柱状图。

# importing pandas module for data frame
import pandas as pd
  
# creating data frame for different customers
# in a shop with respect to dates
data = pd.DataFrame({'dates': ['1/2/2021', '2/4/2020',
                               '1/3/2021', '4/12/2017',
                               '1/2/2021', '2/4/2020',
                               '1/3/2021'],
                     'customers': [100, 30, 56,
                                   56, 23, 45, 67]})
# display original data
data
  
# converting dates column to date
# using pandas.to_datetime function
data['dates'] = pd.to_datetime(data['dates'])
  
# depict visualization
data['dates'].hist(figsize=(10, 5), color="green")

输出: