利用Python進(jìn)行數(shù)據(jù)分析之時間序列（一）

時間序列（time series）數(shù)據(jù)使一種重要的結(jié)構(gòu)化數(shù)據(jù)形式簇秒。

在多個時間點觀察和測量到的任何事物都可以形成一段時間序列溯泣。很多時間序列是固定頻率的瞬女，也就是說窍帝，數(shù)據(jù)點是根據(jù)某種規(guī)律定期出現(xiàn)的（比如每15秒、每5分鐘诽偷、每月出現(xiàn)一次）坤学。時間序列也可以是不定期的。

時間序列數(shù)據(jù)的意義取決于具體的應(yīng)用場景报慕，主要有以下幾種：

時間戳（timestamp）,特定的時刻深浮。
固定時間（period），如2007年1月或2010年全年眠冈。
時間間隔（interval）略号，由起始和結(jié)束時間戳表示。時期（period）可以被看作間隔（interval）的特例洋闽。
實驗和過程時間玄柠，每個時間點都是相對于特定起始時間的一個度量。例如诫舅，從放入烤箱時起羽利，每秒餅干的直徑。

本章主要講解前3 種時間序列刊懈。

pandas 提供了一組標(biāo)準(zhǔn)的時間序列處理工具和數(shù)據(jù)算法这弧。因此，可以高效處理非常大的時間序列虚汛，輕松的進(jìn)行切片/切塊匾浪、聚合、對定期卷哩、不定期的時間序列進(jìn)行重采樣等蛋辈。

日期和時間數(shù)據(jù)類型及工具

python標(biāo)準(zhǔn)庫包含用于日期（date）和時間（time）數(shù)據(jù)的數(shù)據(jù)類型，而且還有日歷方面的功能将谊。我們主要會用到datetime冷溶、time以及calendar模塊。datetime.datetime（也可以簡寫為datetime）是用的最多的數(shù)據(jù)類型尊浓。

In[7]:from datetime import datetime 
In[8]:now=datetime.now()
In[9]:now
Out[9]:datetime.datetime(2017, 9, 21, 11, 19, 53, 64222)

In[10]:now.year,now.month,now.day
Out[10]:(2017, 9, 21)

datetime以毫秒形式存儲日期和時間逞频。datetime.timedelta表示兩個datetime對象之間的時間差。

In[11]:delta=datetime(2011,1,7)-datetime(2008,6,24,8,15)
In[12]:delta
Out[12]:datetime.timedelta(926, 56700)

In[13]:delta.days
Out[13]:926

In[14]:datetime.seconds
Out[14]:56700

可以給datetime對象加上（或減去）一個或多個timedelta栋齿，這樣會產(chǎn)生一個新對象苗胀。

In[15]:from datetime import timedelta
In[16]:start=datetime(2011,1,7)
In[17]:start+timedelta(12)
Out[17]:datetime.datetime(2011, 1, 19, 0, 0)

In[18]:start-2*timedelta(12)
Out[18]:datetime.datetime(2010, 12, 14, 0, 0)

datatime模塊中的數(shù)據(jù)類型參見表10-1。

Paste_Image.png

字符串和datetime的相互轉(zhuǎn)化

利用str和strftime方法（傳入一個格式化字符串）瓦堵，datetime對象和pandas的Timestamp對象（稍后就會介紹）可以被格式化為字符串：

In[19]:stamp=datetime(2011,1,3)
In[20]:str(stmp)
Out[20]:'2011-01-03 00:00:00'

In[21]:stamp.strftime('%Y-%m-%d')
Out[21]:'2011-01-03'

表10-2列出了全部的格式化編碼基协。datetime.strptime也可以用這些格式化編碼將字符串轉(zhuǎn)化為日期。

In[22]:value='2011-01-03'
In[23]:datetime.strptime(value,'%Y-%m-%d')
Out[23]:datetime.datetime(2011, 1, 3, 0, 0)

In[24]:datestrs=['7/6/2011','8/6/2011']
In[25]:[datetime.strptime(x,'%d/%m/%Y') for x in datestrs]
Out[25]:[datetime.datetime(2011, 6, 7, 0, 0), datetime.datetime(2011, 6, 8, 0, 0)]

datetime.strptime是通過已知格式進(jìn)行日期解析的最佳方式谷丸。但是每次都要編寫格式定義是很麻煩的事情堡掏，尤其是對一些常見的日期格式。在這種情況下刨疼，可以用dateutil這個第三方包中的parser.parse方法：

In[26]:from dateutil.parser import parse

In[27]:parse('2011-01-03')
Out[27]:datetime.datetime(2011, 1, 3, 0, 0)

dateutil可以解析幾乎所有人類能夠理解的日期表示形式：

In[28]:parse('Jan31,1997, 10:45 PM')
Out[28]:datetime.datetime(2017, 1, 31, 22, 45)

在國際通用格式中泉唁，日通常出現(xiàn)在月的前面，傳入dayfirst=True即可解決這個問題：

In[29]:parse('6/12/2011',dayfirst=True)
Out[29]:datetime.datetime(2011, 12, 6, 0, 0)

pandas通常是用于處理成組日期的揩慕，不管這些日期是DataFrame的軸索引還是列亭畜。to_datetime方法可以解析多種不同的日期表示形式。對標(biāo)準(zhǔn)日期格式（如ISO8601）的解析非秤保快拴鸵。

In[30]:datestrs
Out[31]:['7/6/2011','8/6/2011']

In[32]:pd.to_datetime(datestrs)
Out[32]:DatetimeIndex(['2011-07-06', '2011-08-06'], dtype='datetime64[ns]', freq=None)

它還可以處理缺失值（None、空字符串等）

In[33]:idx=pd.to_datetime(datestrs+[None])
In[34]:idx
Out[34]:DatetimeIndex(['2011-07-06', '2011-08-06', 'NaT'], dtype='datetime64[ns]', freq=None)

In[35]:idx[2]
Out[35];NaT

In[36]:pd.isnull(idx)
Out[36]:array([False, False,  True], dtype=bool)

NaT(Not a Time)是pandas中時間戳的NA值。

Paste_Image.png

datetime對象還有一些特定的當(dāng)前環(huán)境（位于不同國家或使用不同語言的系統(tǒng)）的格式化選項劲藐。例如八堡，德語或法語系統(tǒng)所使用的月份簡寫就與英語系統(tǒng)所用的不同。

Paste_Image.png

時間序列基礎(chǔ)

pandas最基本的時間序列類型就是以時間戳（通常以python字符串或datetime對象表示）為索引的Serties:

In[37]:from datetime import datetime 
       from pandas import Series
       import numpy as np

In[38]:dates=[datetime(2012,1,2),datetime(2012,1,5),datetime(2012,1,7),datetime(2012,1,8),datetime(2012,1,10),datetime(2012,1,12)]

In[39]:ts=Series(np.random.randn(6),index=dates)

In[40]:ts
Out[40]:
2012-01-02    0.849856
2012-01-05   -0.906907
2012-01-07   -0.546352
2012-01-08    2.540495
2012-01-10   -0.848640
2012-01-12   -0.251311
dtype: float64

這些datetime對象實際上是被放在一個DatetimeIndex中的∑肝撸現(xiàn)在變量ts就成為一個TimeSeriesl了：

In[41]:type(ts)
Out[41]:pandas.core.series.Series

In[42]:ts.index
Out[42]:
DatetimeIndex(['2012-01-02', '2012-01-05', '2012-01-07', '2012-01-08',
               '2012-01-10', '2012-01-12'],
              dtype='datetime64[ns]', freq=None)

索引兄渺、選取、子集構(gòu)造

由于TimeSeries 是Series的一個子集汰现，所以在索引以及數(shù)據(jù)選取方面它們的行為是一樣的：

In[43]:stamp=ts.index[2]
In[44]:ts[stamp]
Out[44]:-0.54635175819596538

對于較長的時間序列挂谍，只需傳入“年”或“年月”即可輕松選取數(shù)據(jù)的切片；

In[45]:longer_ts=Series(np.random.randn(1000),index=pd.date_range('1/1/2000',periods=1000))
In[46]:longer_ts
Out[46]:
2000-01-01    0.590881
2000-01-02    1.399762
2000-01-03    0.063494
2000-01-04    0.393014
2000-01-05    0.394271
2000-01-06   -0.204916
2000-01-07   -0.387580
2000-01-08    2.007172
2000-01-09   -0.632114
2000-01-10    1.450395
2000-01-11    1.117056
2000-01-12   -0.869849
2000-01-13   -0.934312
2000-01-14    0.793892
2000-01-15    1.343878
2000-01-16   -0.185210
2000-01-17    0.642998
2000-01-18   -1.364391
2000-01-19   -1.699167
2000-01-20   -1.561579
2000-01-21   -2.057630
2000-01-22   -0.116533
2000-01-23    1.113738
2000-01-24   -1.414665
2000-01-25    0.035497
2000-01-26    0.530272
2000-01-27   -0.489301
2000-01-28    1.039988
2000-01-29   -1.065946
2000-01-30    0.645302
                ...   
2002-08-28   -1.794458
2002-08-29   -0.131113
2002-08-30    0.035095
2002-08-31    0.820795
2002-09-01   -0.007682
2002-09-02   -1.776380
2002-09-03    1.117728
2002-09-04   -0.681044
2002-09-05   -0.481970
2002-09-06   -0.013774
2002-09-07    0.303825
2002-09-08    0.126293
2002-09-09   -2.020826
2002-09-10    1.482175
2002-09-11    2.112688
2002-09-12    0.799717
2002-09-13   -0.152915
2002-09-14   -0.948012
2002-09-15   -0.002202
2002-09-16    1.018252
2002-09-17    0.876235
2002-09-18    1.122031
2002-09-19   -0.576721
2002-09-20    1.006303
2002-09-21    0.542889
2002-09-22   -1.192439
2002-09-23    0.250576
2002-09-24   -0.820256
2002-09-25   -0.295898
2002-09-26   -0.285487
Freq: D, Length: 1000, dtype: float64

In[47]:longer_ts['2001']
Out[47]:
2001-01-01   -2.113412
2001-01-02   -0.285088
2001-01-03   -0.295320
2001-01-04   -1.085161
2001-01-05    1.196209
2001-01-06   -0.588492
2001-01-07   -0.530637
2001-01-08    0.722721
2001-01-09   -0.077063
2001-01-10   -1.608190
2001-01-11    0.041290
2001-01-12   -1.246099
2001-01-13    0.918121
2001-01-14    0.322362
2001-01-15    1.108135
2001-01-16    1.025266
2001-01-17    0.607296
2001-01-18    2.026020
2001-01-19    0.923550
2001-01-20    1.336078
2001-01-21   -1.348104
2001-01-22    0.955571
2001-01-23   -0.080459
2001-01-24    0.358844
2001-01-25   -0.831299
2001-01-26    1.176252
2001-01-27   -0.373632
2001-01-28   -0.350282
2001-01-29   -1.250022
2001-01-30   -1.133462
                ...   
2001-12-02    0.592748
2001-12-03    0.423768
2001-12-04    0.056043
2001-12-05    1.219448
2001-12-06    0.235945
2001-12-07   -0.385610
2001-12-08    1.652106
2001-12-09    0.903130
2001-12-10   -0.077634
2001-12-11   -1.846283
2001-12-12    2.018553
2001-12-13    0.754911
2001-12-14   -0.725142
2001-12-15   -0.285952
2001-12-16    0.314354
2001-12-17    0.798268
2001-12-18    0.002805
2001-12-19    1.015459
2001-12-20   -2.422554
2001-12-21    0.041050
2001-12-22   -1.337714
2001-12-23    0.244394
2001-12-24   -0.685081
2001-12-25   -1.267419
2001-12-26   -0.093063
2001-12-27    0.126119
2001-12-28   -0.302917
2001-12-29   -0.008550
2001-12-30    0.976075
2001-12-31    1.118983
Freq: D, Length: 365, dtype: float64

In[48]:longer_ts['2001-05']
Out[48]:
2001-05-01    1.260700
2001-05-02    0.546221
2001-05-03    0.203031
2001-05-04   -0.927684
2001-05-05   -0.384820
2001-05-06    0.544058
2001-05-07   -0.354518
2001-05-08   -1.132067
2001-05-09   -0.710839
2001-05-10   -0.254558
2001-05-11   -0.631291
2001-05-12    0.118105
2001-05-13    0.041881
2001-05-14   -0.641639
2001-05-15   -0.768678
2001-05-16    1.683219
2001-05-17    0.186971
2001-05-18   -1.376887
2001-05-19    1.847433
2001-05-20   -0.436165
2001-05-21    0.740447
2001-05-22   -1.965044
2001-05-23    0.571263
2001-05-24   -0.671063
2001-05-25   -0.768376
2001-05-26    0.606890
2001-05-27   -0.637426
2001-05-28   -1.981986
2001-05-29    0.234378
2001-05-30   -1.004578
2001-05-31   -0.743983
Freq: D, dtype: float64

帶有重復(fù)索引的時間序列

在某些應(yīng)用場景中瞎饲，可能會存在多個觀測數(shù)據(jù)落在同一個時間點上的情況口叙。

In[49]:dates=pd.DatetimeIndex(['1/1/2000','1/2/2000','1/2/2000','1/2/2000','1/3/2000'])

In[50]:dup_ts=Series(np.arange(5),index=dates)
In[51]:dup_ts
Out[51]:
2000-01-01    0
2000-01-02    1
2000-01-02    2
2000-01-02    3
2000-01-03    4
dtype: int32

對這個時間序列進(jìn)行索引，要么產(chǎn)生標(biāo)量值嗅战，要么產(chǎn)生切片妄田，具體要看所選的時間點是否重復(fù)：

In[52]:dup_ts['1/3/2000'] # 不重復(fù)
Out[52]:4

In[53]:dup_ts['1/2/2000'] #重復(fù)
Out[53]:
2000-01-02    1
2000-01-02    2
2000-01-02    3
dtype: int32

假設(shè)你想要對具有非唯一時間戳的數(shù)據(jù)進(jìn)行聚合。一個辦法就是使用groupby仗哨，并傳入level=0（索引的唯一一層Ｐ瓮ァ）：

In[54]:grouped=dup_ts.groupby(level=0)
In[55]:groupby.mean()
Out[55]:
2000-01-01    0
2000-01-02    2
2000-01-03    4
dtype: int32

In[56]:grouped.count()
Out[56]:
2000-01-01    1
2000-01-02    3
2000-01-03    1
dtype: int64

日期的范圍、頻率厌漂、以及移動

pandas 中的時間序列一般被認(rèn)為是不規(guī)則的萨醒，也就是說，它們沒有固定的頻率苇倡。但它以某種相對固定的頻率進(jìn)行分析時富纸，比如每日、每月旨椒、每15分鐘等（這樣自然會在時間序列中引入缺失值）晓褪。

pandas 有一套標(biāo)準(zhǔn)時間序列頻率以及用于重采樣、頻率推斷综慎、生成固定頻率日期范圍的工具涣仿。

例如，我們可以將之前那個時間序列轉(zhuǎn)化為一個具有固定頻率（每日）的是按序列示惊，只需調(diào)用resample即可：

In[57]:ts
Out[57]:
2012-01-02    0.145269
2012-01-05    1.061321
2012-01-07    0.341192
2012-01-08    0.910146
2012-01-10   -0.366761
2012-01-12    0.202229
dtype: float64

In[58]:ts.resample('D')
## Out[58]:???
DatetimeIndexResampler [freq=<Day>, axis=0, closed=left, label=left, convention=start, base=0]

生成日期范圍

pandas.date_range可用于生成指定長度的DatatimeIndex:

In[59]:index=pd.date_range('4/1/2012','6/1/2012')
In[60]:index
Out[60]:
DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04',
               '2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08',
               '2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12',
               '2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16',
               '2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20',
               '2012-04-21', '2012-04-22', '2012-04-23', '2012-04-24',
               '2012-04-25', '2012-04-26', '2012-04-27', '2012-04-28',
               '2012-04-29', '2012-04-30', '2012-05-01', '2012-05-02',
               '2012-05-03', '2012-05-04', '2012-05-05', '2012-05-06',
               '2012-05-07', '2012-05-08', '2012-05-09', '2012-05-10',
               '2012-05-11', '2012-05-12', '2012-05-13', '2012-05-14',
               '2012-05-15', '2012-05-16', '2012-05-17', '2012-05-18',
               '2012-05-19', '2012-05-20', '2012-05-21', '2012-05-22',
               '2012-05-23', '2012-05-24', '2012-05-25', '2012-05-26',
               '2012-05-27', '2012-05-28', '2012-05-29', '2012-05-30',
               '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

默認(rèn)情況下好港，date_range會產(chǎn)生按天計算的時間點。如果只傳入起始或結(jié)束日期米罚，那就還得傳入一個表示一段時間的數(shù)字：

In[61]:pd.date_range(star='4/1/2012',periods=20)
Out[61]:
DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04',
               '2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08',
               '2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12',
               '2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16',
               '2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20'],
              dtype='datetime64[ns]', freq='D')


In[62]:pd.date_range(end='6/1/2012',periods=20)
Out[62]:
DatetimeIndex(['2012-05-13', '2012-05-14', '2012-05-15', '2012-05-16',
               '2012-05-17', '2012-05-18', '2012-05-19', '2012-05-20',
               '2012-05-21', '2012-05-22', '2012-05-23', '2012-05-24',
               '2012-05-25', '2012-05-26', '2012-05-27', '2012-05-28',
               '2012-05-29', '2012-05-30', '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

起始和結(jié)束日期定義了日期索引的嚴(yán)格邊界钧汹。例如，如果你想要生成一個由每月最后一個工作日組成的日期索引录择，可以傳入“BM”頻率（表示business end of month）,這樣就只會包含時間間隔內(nèi)（或剛好在邊界上的）符合頻率要求的日期：

In[63]:pd.date_tange('1/1/2000','12/1/2000',freq='BM')
Out[63]:
DatetimeIndex(['2000-01-31', '2000-02-29', '2000-03-31', '2000-04-28',
               '2000-05-31', '2000-06-30', '2000-07-31', '2000-08-31',
               '2000-09-29', '2000-10-31', '2000-11-30'],
              dtype='datetime64[ns]', freq='BM')

date_range默認(rèn)會保留起始和結(jié)束時間戳的時間信息（如果有的話）：

In[64]:pd.date_range('1/1/2000','12/1/2000',periods=5)
Out[64]:
DatetimeIndex(['2000-01-01 12:56:31', '2000-01-02 12:56:31',
               '2000-01-03 12:56:31', '2000-01-04 12:56:31',
               '2000-01-05 12:56:31'],
              dtype='datetime64[ns]', freq='D')

有時拔莱，雖然起始和結(jié)束日期帶有時間信息碗降，但你希望產(chǎn)生一組被規(guī)范化（normalize）到午夜的時間戳。normalize選項即可實現(xiàn)該功能：

In[65]:pd.date_range('5/2/2012  12:56:31',periods=5,normalize=True)
Out[55]:
DatetimeIndex(['2012-05-02', '2012-05-03', '2012-05-04', '2012-05-05',
               '2012-05-06'],
              dtype='datetime64[ns]', freq='D')

頻率和日期偏移量

pandas中的頻率是由一個基礎(chǔ)頻率（base frequency）和一個乘數(shù)組成的塘秦∷显ǎ基礎(chǔ)頻率通常以一個字符串別名表示，比如“M”表示月嗤形，“H”表示小時精偿。

對于每一個基礎(chǔ)頻率堤器，都有一個被稱為日期偏移量（data offset）的對象那個與之對應(yīng)椰拒。

例如楞遏，按小時計算的頻率可以用Hour類表示：

In[66]:from pandas.tseries.offsets import Hour,Minute
In[67]:four_hours=Hour(4)
In[68];four_hours
Out[68]:<4 * Hours>

一般來說，無須顯示創(chuàng)建這樣的對象霹期，只需使用諸如“H”或“4H”這樣的字符串別名即可。在基礎(chǔ)頻率前面放上一個整數(shù)即可創(chuàng)建倍數(shù)：

In[69]:pd.date_range('1/1/2000','1/3/2000 23:59',freq='4h')
Out[69]:
DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 04:00:00',
               '2000-01-01 08:00:00', '2000-01-01 12:00:00',
               '2000-01-01 16:00:00', '2000-01-01 20:00:00',
               '2000-01-02 00:00:00', '2000-01-02 04:00:00',
               '2000-01-02 08:00:00', '2000-01-02 12:00:00',
               '2000-01-02 16:00:00', '2000-01-02 20:00:00',
               '2000-01-03 00:00:00', '2000-01-03 04:00:00',
               '2000-01-03 08:00:00', '2000-01-03 12:00:00',
               '2000-01-03 16:00:00', '2000-01-03 20:00:00'],
              dtype='datetime64[ns]', freq='4H')

大部分偏移量對象都可通過加法進(jìn)行連接：

In[70]:Hour(2)+Minute(30)
Out[70]:<150 * Minutes>

同理拯田，也可以傳入頻率字符串（如“2h30min”）历造，這種字符串可以被高效地解析為等效的表達(dá)式：

In[71]:pd.date_range('1/1/2000',periods=10,freq='1h30min')
Out[71]:
DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 01:30:00',
               '2000-01-01 03:00:00', '2000-01-01 04:30:00',
               '2000-01-01 06:00:00', '2000-01-01 07:30:00',
               '2000-01-01 09:00:00', '2000-01-01 10:30:00',
               '2000-01-01 12:00:00', '2000-01-01 13:30:00'],
              dtype='datetime64[ns]', freq='90T')

有些頻率所描述的時間點并不是均勻分隔的。例如船庇，“M”（日歷月末）和“BM”（每月最后一個工作日）就取決于每月的天數(shù)吭产，還要考慮月末是不是周末。

由于沒有更好的術(shù)語鸭轮，將這些成為錨點偏移量（anchored offset）

表10-4列出了pandas中的頻率代碼和日期偏移量表臣淤。

Paste_Image.png

WOM日期

WOM（Week Of Month）是一種非常實用的頻率類，它以WOM開頭窃爷。它使你能夠獲得諸如“每個月第3個星期五”之類的日期邑蒋。

In[72]:rng=pd.date_range('1/1/2012','9/1/2012',freq='WOM-3FRI')
In[73]:rng
Out[73]:
[Timestamp('2012-01-20 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-02-17 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-03-16 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-04-20 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-05-18 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-06-15 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-07-20 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-08-17 00:00:00', freq='WOM-3FRI')]

美國的股票期權(quán)交易人會意識到這些日子就是標(biāo)準(zhǔn)的月度到期日。

移動（超前和滯后）數(shù)據(jù)

移動（shifting）指的是沿著時間軸將數(shù)據(jù)前移或后移按厘。Series和DataFrame都有一個shift方法用于執(zhí)行單純的前移和后移操作医吊，保持索引不變：

In[74]:ts=Series(np.random.randn(4),index=pd.date_range('1/1/2000',periods=4,freq='M'))
In[75]:ts
Out[75]:
2000-01-31    0.299618
2000-02-29    0.626409
2000-03-31   -0.272730
2000-04-30   -0.932787
Freq: M, dtype: float64

In[76]:ts.shift(2)
Out[76]:
2000-01-31         NaN
2000-02-29         NaN
2000-03-31    0.299618
2000-04-30    0.626409
Freq: M, dtype: float64

In[77]:ts.shift(-2)
Out[77]:
2000-01-31   -0.272730
2000-02-29   -0.932787
2000-03-31         NaN
2000-04-30         NaN
Freq: M, dtype: float64

shift通常用于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(dá)：

In[78]:ts/ts.shift(1)-1
Out[78]:
2000-01-31         NaN
2000-02-29    1.090689
2000-03-31   -1.435387
2000-04-30    2.420184
Freq: M, dtype: float64

由于單純的移位操作不會修改索引卿堂，所以部分?jǐn)?shù)據(jù)會被丟棄。因此懒棉，如果頻率已知草描，則可以將其傳遞給shift以便實現(xiàn)對時間戳進(jìn)行位移而不是對數(shù)據(jù)進(jìn)行簡單位移：

In[79]:ts.shift(2,freq='M')
Out[79]:
2000-03-31    0.299618
2000-04-30    0.626409
2000-05-31   -0.272730
2000-06-30   -0.932787
Freq: M, dtype: float64

In[80]:ts.shift(3,freq='D')
Out[80]:
2000-02-03    0.299618
2000-03-03    0.626409
2000-04-03   -0.272730
2000-05-03   -0.932787
dtype: float64

In[81]:ts.shift(1,freq='3D')
Out[81]:2000-02-03    0.299618
2000-03-03    0.626409
2000-04-03   -0.272730
2000-05-03   -0.932787
dtype: float64

In[82]:ts.shift(1,freq='90T')
Out[82]:
2000-01-31 01:30:00    0.299618
2000-02-29 01:30:00    0.626409
2000-03-31 01:30:00   -0.272730
2000-04-30 01:30:00   -0.932787
Freq: M, dtype: float64

通過偏移量對日期進(jìn)行位移

pandas 的日期偏移量還可以用在datetime或Timestamp對象上：

最后編輯于：2017.12.10 14:30:31

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者

人面猴
序言：七十年代末，一起剝皮案震驚了整個濱河市漓藕，隨后出現(xiàn)的幾起案子陶珠，更是在濱河造成了極大的恐慌，老刑警劉巖享钞，帶你破解...
沈念sama閱讀 211,042評論 6贊 490
死咒
序言：濱河連續(xù)發(fā)生了三起死亡事件揍诽，死亡現(xiàn)場離奇詭異诀蓉，居然都是意外死亡，警方通過查閱死者的電腦和手機(jī)暑脆，發(fā)現(xiàn)死者居然都...
沈念sama閱讀 89,996評論 2贊 384
救了他兩次的神仙讓他今天三更去死
文/潘曉璐我一進(jìn)店門渠啤，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人添吗，你說我怎么就攤上這事沥曹。” “怎么了碟联？”我有些...
開封第一講書人閱讀 156,674評論 0贊 345
道士緝兇錄：失蹤的賣姜人
文/不壞的土叔我叫張陵妓美，是天一觀的道長。經(jīng)常有香客問我鲤孵，道長壶栋，這世上最難降的妖魔是什么？我笑而不...
開封第一講書人閱讀 56,340評論 1贊 283
?港島之戀（遺憾婚禮）
正文為了忘掉前任普监，我火速辦了婚禮贵试，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘凯正。我一直安慰自己毙玻，他們只是感情好，可當(dāng)我...
茶點故事閱讀 65,404評論 5贊 384
惡毒庶女頂嫁案：這布局不是一般人想出來的
文/花漫我一把揭開白布廊散。她就那樣靜靜地躺著桑滩，像睡著了一般。火紅的嫁衣襯著肌膚如雪奸汇。梳的紋絲不亂的頭發(fā)上施符，一...
開封第一講書人閱讀 49,749評論 1贊 289
城市分裂傳說
那天，我揣著相機(jī)與錄音擂找，去河邊找鬼戳吝。笑死，一個胖子當(dāng)著我的面吹牛贯涎，可吹牛的內(nèi)容都是我干的听哭。我是一名探鬼主播，決...
沈念sama閱讀 38,902評論 3贊 405
雙鴛鴦連環(huán)套：你想象不到人心有多黑
文/蒼蘭香墨我猛地睜開眼塘雳，長吁一口氣：“原來是場噩夢啊……” “哼陆盘！你這毒婦竟也來了？” 一聲冷哼從身側(cè)響起败明，我...
開封第一講書人閱讀 37,662評論 0贊 266
萬榮殺人案實錄
序言：老撾萬榮一對情侶失蹤隘马，失蹤者是張志新（化名）和其女友劉穎，沒想到半個月后妻顶，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體酸员，經(jīng)...
沈念sama閱讀 44,110評論 1贊 303
?護(hù)林員之死
正文獨居荒郊野嶺守林人離奇死亡蜒车，尸身上長有42處帶血的膿包…… 初始之章·張勛以下內(nèi)容為張勛視角年9月15日...
茶點故事閱讀 36,451評論 2贊 325
?白月光啟示錄
正文我和宋清朗相戀三年，在試婚紗的時候發(fā)現(xiàn)自己被綠了幔嗦。大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片酿愧。...
茶點故事閱讀 38,577評論 1贊 340
活死人
序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖邀泉，靈堂內(nèi)的尸體忽然破棺而出嬉挡，到底是詐尸還是另有隱情，我是刑警寧澤汇恤，帶...
沈念sama閱讀 34,258評論 4贊 328
?日本核電站爆炸內(nèi)幕
正文年R本政府宣布庞钢，位于F島的核電站，受9級特大地震影響屁置，放射性物質(zhì)發(fā)生泄漏焊夸。R本人自食惡果不足惜，卻給世界環(huán)境...
茶點故事閱讀 39,848評論 3贊 312
男人毒藥：我在死后第九天來索命
文/蒙蒙一蓝角、第九天我趴在偏房一處隱蔽的房頂上張望。院中可真熱鬧饭冬，春花似錦使鹅、人聲如沸。這莊子的主人今日做“春日...
開封第一講書人閱讀 30,726評論 0贊 21
一樁弒父案患朱，背后竟有這般陰謀
文/蒼蘭香墨我抬頭看了看天上的太陽。三九已至炊苫，卻和暖如春裁厅，著一層夾襖步出監(jiān)牢的瞬間，已是汗流浹背侨艾。一陣腳步聲響...
開封第一講書人閱讀 31,952評論 1贊 264
情欲美人皮
我被黑心中介騙來泰國打工执虹，沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留，地道東北人唠梨。一個月前我還...
沈念sama閱讀 46,271評論 2贊 360
代替公主和親
正文我出身青樓袋励，卻偏偏與公主長得像，于是被迫代替她去往敵國和親当叭。傳聞我的和親對象是個殘疾皇子茬故，可洞房花燭夜當(dāng)晚...
茶點故事閱讀 43,452評論 2贊 348

利用Python進(jìn)行數(shù)據(jù)分析之時間序列（一）

日期和時間數(shù)據(jù)類型及工具

字符串和datetime的相互轉(zhuǎn)化

時間序列基礎(chǔ)

索引兄渺、選取、子集構(gòu)造

帶有重復(fù)索引的時間序列

日期的范圍、頻率厌漂、以及移動

生成日期范圍

頻率和日期偏移量

WOM日期

移動（超前和滯后）數(shù)據(jù)

通過偏移量對日期進(jìn)行位移

推薦閱讀更多精彩內(nèi)容