序言：
????今天不截圖碍讯，嘗試下純代碼編輯效果會不會看起來舒服一些
【課程2.7】 時間模塊：datetime
????datetime模塊捉兴，主要掌握：datetime.date(), datetime.datetime(), datetime.timedelta()
????日期解析方法：parser.parse
datetime.date：date對象
import datetime # 也可以寫 from datetime import date
today = datetime.date.today()
print(today, type(today))
print(str(today), type(str(today)))
# datetime.date.today 返回今日
# 輸出格式為 date類
t = datetime.date(2016, 6, 1)
print(t)
# (年倍啥，月，日) -> 直接得到當(dāng)時日期
datetime.datetime: datetime 對象
now = datetime.datetime.now()
print(now, type(now))
print(str(now), type(str(now)))
# .now()方法始藕，輸出當(dāng)前時間
# 輸出格式為 datetime類
# 可通過str()轉(zhuǎn)化為字符串
t1 = datetime.datetime(2016,6,1)
t2 = datetime.datetime(2014,1,1,12,44,33)
print(t1, t2)
# (年鳄虱，月，日决记，時，分建车，秒)椒惨，至少輸入年月日
t2 - t1
# 相減得到時間差 —— timedelta
parser.parse：日期字符串轉(zhuǎn)換
from dateutil.parser import parse
date = "13-03-2018"
t = parse(date)
print(t, type(t))
# 直接將str轉(zhuǎn)化成datetime.datetime
print(parse("2000-1-1"), "\n",
parse("5/1/2014"), "\n",
parse("5/1/2014", dayfirst = True), "\n", # 國際通用格式中领斥，月/日/年月洛，可以通過dayfirst來設(shè)置
parse("22/1/2014"), "\n",
parse("Jan 31, 1997 10:45 PM"))
# 各種格式可以解析孽锥，但無法支持中文
【課程2.8】 Pandas時刻數(shù)據(jù)：Timestamp
????時刻數(shù)據(jù)代表時間點惜辑，是pandas的數(shù)據(jù)類型盛撑，是將值與時間點相關(guān)聯(lián)的最基本類型的時間序列數(shù)據(jù)
????pandas.Timestamp()
pd.Timestamp()
import numpy as np
import pandas as pd
date1 = datetime.datetime(2016,12,1,12,45,30) # 創(chuàng)建一個datetime.datetime
date2 = "2017-12-21" # 創(chuàng)建一個字符串
t1 = pd.Timestamp(date1)
t2 = pd.Timestamp(date2)
print(t1, type(t1))
print(t2, type(t2))
print(pd.Timestamp("2017-12-21 15:00:22"))
# 直接生成pandas的時刻數(shù)據(jù) -> 時間戳
# 數(shù)據(jù)類型為 pandas的Timestamp
pd.to_datetime
from datetime import datetime
date1 = datetime(2016,12,1,12,45,30)
date2 = "2018-03-14"
t1 = pd.to_datetime(date1)
t2 = pd.to_datetime(date2)
print(t1, type(t1))
print(t2, type(t2))
# pd.to_datetime()：如果是單個時間數(shù)據(jù)撵彻，轉(zhuǎn)換成pandas的時刻數(shù)據(jù)轴合，數(shù)據(jù)類型為Timestamp
lst_date = ['2017-12-21', '2017-12-22', '2017-12-23']
t3 = pd.to_datetime(lst_date)
print(t3, type(t3))
# 多個時間數(shù)據(jù)受葛，將會轉(zhuǎn)換為pandas的DatetimeIndex
pd.to_datetime -> 多個時間數(shù)據(jù)轉(zhuǎn)換時間戳索引
date1 = [datetime(2015,6,1),datetime(2015,7,1),datetime(2015,8,1),datetime(2015,9,1),datetime(2015,10,1)]
date2 = ['2018-2-1','2018-2-2','2018-2-3','2018-2-4','2018-2-5','2018-2-6']
print(date1)
print(date2)
t1 = pd.to_datetime(date1)
t2 = pd.to_datetime(date2)
print(t1)
print(t2)
# 多個時間數(shù)據(jù)轉(zhuǎn)換為 DatetimeIndex
date3 = ['2018-2-1','2018-2-2','2018-2-3', 'hello world!', '2018-2-4','2018-2-5','2018-2-6']
t3 = pd.to_datetime(date3, errors = "ignore")
print(t3, type(t3))
# 當(dāng)一組時間序列中夾雜其他格式數(shù)據(jù)总滩，可用errors參數(shù)返回
# errors = "ignore": 不可解析時返回原始輸入闰渔，這里就是直接生成一般數(shù)組
t4 = pd.to_datetime(date3, errors = "coerce")
print(t4, type(t4))
# errors = 'coerce':不可擴展铐望，缺失值返回NaT（Not a Time），結(jié)果認為DatetimeIndex
【課程2.9】 Pandas時間戳索引：DatetimeIndex
????核心：pd.date_range()
pd.DatetimeIndex()與TimeSeries時間序列
rng = pd.DatetimeIndex(['2018-2-1','2018-2-2','2018-2-3', '2018-2-4', "2018-2-5"])
print(rng, type(rng))
print(rng[0], type(rng[0]))
# 直接生成時間戳索引营曼，支持str蒂阱、datetime.datetime
# 單個時間戳為Timestamp蒜危，多個時間戳為DatetimeIndex
st = pd.Series(np.random.rand(len(rng)), index = rng)
print(st, type(st))
print(st.index)
# 以DatetimeIndex為index的Series辐赞，為TimeSeries响委，時間序列
pd.date_range()-日期范圍：生成日期范圍
2種生成方式：①start + end赘风； ②start/end + periods
默認頻率：day
rng1 = pd.date_range("1/1/2017", "1/10/2017", normalize = True)
rng2 = pd.date_range(start = "1/1/2017", periods = 10)
rng3 = pd.date_range(end = "1/30/2017 15:00:00", periods = 10) # 增加了時邀窃、分假哎、秒
print(rng1, type(rng1))
print(rng2)
print(rng3)
print("-------------")
# 直接生成DatetimeIndex
# pd.date_range((start=None, end=None, periods=None, freq='D', tz=None, normalize=False, name=None, closed=None, **kwargs)
# start：開始時間
# end：結(jié)束時間
# periods：偏移量
# freq：頻率舵抹，默認天，pd.date_range()默認頻率為日歷日扇救，pd.bdate_range()默認頻率為工作日
# tz：時區(qū)
rng4 = pd.date_range(start = "1/1/2017 15:30", periods = 10, name = "hello world!", normalize = True)
print(rng4)
print("----------------")
# normalize：時間參數(shù)值正則化到午夜時間戳（這里最后就直接變成0:00:00，并不是15:30:00）
# name：索引對象名稱
print(pd.date_range("20170101", "20170104")) # 20170101也可讀取
print(pd.date_range("20170101", "20170104", closed = "right")) # 左開右閉
print(pd.date_range("20170101", "20170104", closed = "left")) # 左閉右開
print("----------------")
# closed：默認為None的情況下沧烈，左閉右閉饱岸，left則左閉右開苫费，right則左開右閉
print(pd.bdate_range("20170101", "20170107"))
# pd.bdate_range()默認頻率為工作日
print(list(pd.date_range(start = "1/1/2017", periods = 10)))
# 直接轉(zhuǎn)化為list百框，元素為Timestamp
pd.date_range()-日期范圍：頻率（1）
print(pd.date_range("2017/1/1", "2017/1/4")) # 默認freq = "D"：每日歷日
print(pd.date_range("2017/1/1", "2017/1/4", freq = "B")) # B：每工作日
print(pd.date_range("2017/1/1", "2017/1/2", freq = "H")) # H：每小時
print(pd.date_range("2017/1/1 12:00", "2017/1/1 12:10", freq = "T")) # T/MIN：每分
print(pd.date_range("2017/1/1 12:00", "2017/1/1 12:00:10", freq = "S")) # S：每秒
print(pd.date_range("2017/1/1 12:00", "2017/1/1 12:00:10", freq = "L")) # L：每毫秒（千分之一秒）
print(pd.date_range("2017/1/1 12:00", "2017/1/1 12:00:10", freq = "U")) # L：每微秒（百萬分之一秒）
print(pd.date_range("2017/1/1", "2017/2/1", freq = "W-MON"))
# W-MON：從指定星期幾開始算起柬泽，每周
# 星期幾縮寫：MON/TUE/WED/THU/FRI/SAT/SUN
print(pd.date_range("2017/1/1", "2017/5/1", freq = "WOM-2MON"))
# WOM-2MON：每月的第幾個星期幾開始算锨并，這里是每月第二個星期一
pd.date_range()-日期范圍：頻率（2）
print(pd.date_range("2017", "2018", freq = "M"))
print(pd.date_range("2017", "2020", freq = "Q-DEC"))
print(pd.date_range("2017", "2020", freq = "A-DEC"))
print("-----------")
# M：每月最后一個日歷日
# Q-月：指定月為季度末第煮，每個季度末最后一月的最后一個日歷日
# A-月：每年指定月份的最后一個日歷日
# 月縮寫：JAN/FEB/MAR/APR/MAY/JUN/JUL/AUG/SEP/OCT/NOV/DEC
# 所以Q-月只有三種情況：1-4-7-10,2-5-8-11,3-6-9-12
print(pd.date_range("2017", "2018", freq = "BM"))
print(pd.date_range("2017", "2020", freq = "BQ-DEC"))
print(pd.date_range("2017", "2020", freq = "BA-DEC"))
print("-----------")
# BM：每月最后一個工作日
# BQ-月：指定月為季度末，每個季度末最后一月的最后一個工作日
# BA-月：每年指定月份的最后一個工作日
print(pd.date_range("2017", "2018", freq = "MS"))
print(pd.date_range("2017", "2020", freq = "QS-DEC"))
print(pd.date_range("2017", "2020", freq = "AS-DEC"))
print('------')
# M：每月第一個日歷日
# Q-月：指定月為季度末害晦，每個季度末最后一月的第一個日歷日
# A-月：每年指定月份的第一個日歷日
print(pd.date_range('2017','2018', freq = 'BMS'))
print(pd.date_range('2017','2020', freq = 'BQS-DEC'))
print(pd.date_range('2017','2020', freq = 'BAS-DEC'))
print('------')
# BM：每月第一個工作日
# BQ-月：指定月為季度末壹瘟，每個季度末最后一月的第一個工作日
# BA-月：每年指定月份的第一個工作日
pd.date_range()-日期范圍：復(fù)合頻率
print(pd.date_range('2017/1/1', '2017/2/1', freq = '7D')) # 7天
print(pd.date_range("2017/1/1", "2017/1/2", freq = "2H30MIN")) # 2小時30分鐘
print(pd.date_range('2017','2018', freq = '2M')) # 2月俐筋，每月最后一個日歷日
asfreq：時期頻率轉(zhuǎn)換
ts = pd.Series(np.random.rand(4),
index = pd.date_range("20170101", "20170104"))
print(ts)
print(ts.asfreq("4H", method = "ffill"))
# 改變頻率澄者，這里是D改為4H
# method：插值模式粱挡，None不插值俄精，ffill用之前值填充嫌套，bfill用之后值填充
pd.date_range()-日期范圍：超前/滯后數(shù)據(jù)
ts = pd.Series(np.random.rand(4),
index = pd.date_range("20170101", "20170104"))
print(ts)
print(ts.shift(2))
print(ts.shift(-2))
# 正數(shù)：數(shù)值后移（滯后）；負數(shù)：數(shù)值前移（超前）
per = ts/ts.shift(1) - 1
print(per)
print("------------")
# 計算變化百分比魏蔗，這里計算：該時間戳與上一個時間戳相比，變化百分
print(ts.shift(2, freq = "D"))
print(ts.shift(2, freq = "T"))
# 加上freq參數(shù)：對時間戳進行位移谣旁，而不是對數(shù)值進行位移
【課程2.10】 Pandas時期：Period
????核心：pd.Period()
pd.Period()創(chuàng)建時期
p = pd.Period("2017", freq = "M")
print(p, type(p))
# 生成一個以2017-01開始榄审，月為頻率的時間構(gòu)造器
# pd.Period()參數(shù)：一個時間戳 + freq 參數(shù) -> freq 用于指明該 period 的長度，時間戳則說明該 period在時間軸上的位置
print(p + 1)
print(p - 2)
print(pd.Period("2012", freq = "A-DEC") -1)
# 通過加減整數(shù)角溃，將周期整體移動
# 這里按照 月减细、年 移動
# Period('2012', freq = 'A-DEC')可以看成多個時間期的時間段中的游標(biāo)
pd.period_range()創(chuàng)建時期范圍
prng = pd.period_range("1/1/2011", "1/1/2012", freq = "M")
print(prng, type(prng))
print(prng[0], type(prng[0]))
# 數(shù)據(jù)格式為PeriodIndex驮吱，單個數(shù)值為Period
ts = pd.Series(np.random.rand(len(prng)), index = prng)
print(ts, type(ts))
print(ts.index)
# 時間序列
# Timestamp表示一個時間戳左冬，是一個時間截面拇砰；Period是一個時期，是一個時間段Ｇ砬弧瑰枫！但兩者作為index時區(qū)別不大
asfreq：頻率轉(zhuǎn)換
p = pd.Period("2017", "A-DEC")
print(p)
print(p.asfreq("M", how = "start")) # 也可寫 how = "s"
print(p.asfreq("D", how = "end")) # 也可寫 how = "e"
# 通過.asfreq(freq, method = None, how = None)方法轉(zhuǎn)換成別的頻率
prng = pd.period_range("2017", "2018", freq = "M")
ts1 = pd.Series(np.random.rand(len(prng)), index = prng)
ts2 = pd.Series(np.random.rand(len(prng)), index = prng.asfreq("D", how = "start"))
print(ts1.head(), len(ts1))
print(ts2.head(), len(ts2))
# asfreq也可以轉(zhuǎn)換TIMESeries的index
時間戳與時期之間的轉(zhuǎn)換：pd.to_period()、pd.to_timestamp()
rng = pd.date_range("2017/1/1", periods = 10, freq = "M")
prng = pd.period_range("2017", "2018", freq = "M")
ts1 = pd.Series(np.random.rand(len(rng)), index = rng)
print(ts1.head())
print(ts1.to_period().head())
# 每月最后一日丹莲，轉(zhuǎn)化為每月
ts2 = pd.Series(np.random.rand(len(prng)), index = prng)
print(ts2.head())
print(ts2.to_timestamp().head())
# 每月光坝，轉(zhuǎn)化為每月第一天
【課程2.11】 時間序列 - 索引及切片
????TimeSeries是Series的一個子類尸诽，所以Series索引及數(shù)據(jù)選取方面的方法基本一樣
????同時TimeSeries通過時間序列有更便捷的方法做索引和切片
索引
from datetime import datetime
rng = pd.date_range("2017/1", "2017/3")
ts = pd.Series(np.random.rand(len(rng)), index = rng)
print(ts.head())
print(ts[0])
print(ts[:2])
print("--------")
# 基本下標(biāo)位置索引
print(ts["2017/1/2"])
print(ts["20170103"])
print(ts["1/10/2017"])
print(ts[datetime(2017,1,20)])
print("---------")
# 時間序列標(biāo)簽索引，支持各種時間字符串盯另，以及datetime.datetime
# 時間序列由于按照時間先后排序性含，故不用考慮順序問題
# 索引方法同樣適用于Dataframe
切片
rng = pd.date_range("2017/1", "2017/3", freq = "12H")
ts = pd.Series(np.random.rand(len(rng)), index = rng)
print(ts["2017/1/5": "2017/1/10"])
print("---------")
# 和Series按照index索引原理一樣，也是末端包含
print(ts["2017/2"].head())
# 傳入月土铺，直接得到一個切片
重復(fù)索引的時間序列
dates = pd.DatetimeIndex(['1/1/2015','1/2/2015','1/3/2015','1/4/2015','1/1/2015','1/2/2015'])
ts = pd.Series(np.random.rand(len(dates)), index = dates)
print(ts)
print(ts.is_unique, ts.index.is_unique)
print("-------")
# index有重復(fù)胶滋，is_unique檢查 → values唯一后德，index不唯一
print(ts["20150101"], type(ts["20150101"]))
print(ts["20150104"], type(ts["20150104"]))
print("-------")
# index有重復(fù)的將返回多個值
print(ts.groupby(level = 0).mean())
# 通過groupby做分組赫蛇，重復(fù)的值這里用平均值處理
【課程2.12】 時間序列 - 重采樣
????將時間序列從一個頻率轉(zhuǎn)換為另一個頻率的過程，且會有數(shù)據(jù)的結(jié)合
????降采樣：高頻數(shù)據(jù) → 低頻數(shù)據(jù)，eg.以天為頻率的數(shù)據(jù)轉(zhuǎn)為以月為頻率的數(shù)據(jù)
????升采樣：低頻數(shù)據(jù) → 高頻數(shù)據(jù)管行，eg.以年為頻率的數(shù)據(jù)轉(zhuǎn)為以月為頻率的數(shù)據(jù)
重采樣：.resample()
創(chuàng)建一個以天為頻率的TimeSeries套菜，重采樣為按2天為頻率
rng = pd.date_range("20170101", periods = 12)
ts = pd.Series(np.arange(len(rng)), index = rng)
print(ts)
print("\n")
ts_re = ts.resample("5D")
ts_re2 = ts.resample("5D").sum()
print(ts_re, type(ts_re))
print("\n")
print(ts_re2, type(ts_re2))
print("---------")
# ts.resample("5D")：得到一個重采樣構(gòu)建器戏溺，頻率改為5天
# ts.resample("5d").sum()：得到一個新的聚合后的Series，聚合方式為求和
# freq：重采樣頻率 -> ts.resample("5D")
# .sum()：聚合方法
print(ts.resample('5D').mean(),'→ 求平均值\n')
print(ts.resample('5D').max(),'→ 求最大值\n')
print(ts.resample('5D').min(),'→ 求最小值\n')
print(ts.resample('5D').median(),'→ 求中值\n')
print(ts.resample('5D').first(),'→ 返回第一個值\n')
print(ts.resample('5D').last(),'→ 返回最后一個值\n')
print(ts.resample('5D').ohlc(),'→ OHLC重采樣\n')
# OHLC:金融領(lǐng)域的時間序列聚合方式 → open開盤、high最大值羡榴、low最小值、close收盤
降采樣
rng = pd.date_range("20170101", periods = 12)
ts = pd.Series(np.arange(1,13), index = rng)
print(ts)
print("-------")
print(ts.resample("5D").sum(),'→ 默認\n')
print(ts.resample('5D', closed = 'left').sum(),'→ left\n')
print(ts.resample('5D', closed = 'right').sum(),'→ right\n')
print('-----')
# closed：各時間段哪一端是閉合（即包含）的，默認 左閉右閉
# 詳解：這里values為0-11，按照5D重采樣 → [1,2,3,4,5],[6,7,8,9,10],[11,12]
# left指定間隔左邊為結(jié)束 → [1,2,3,4,5],[6,7,8,9,10],[11,12]
# right指定間隔右邊為結(jié)束 → [1],[2,3,4,5,6],[7,8,9,10,11],[12]
print(ts.resample('5D', label = 'left').sum(),'→ leftlabel\n')
print(ts.resample('5D', label = 'right').sum(),'→ rightlabel\n')
# label：聚合值的index摇予，默認為取左
# 值采樣認為默認（這里closed默認）
升采樣及插值
rng = pd.date_range('2017/1/1 0:0:0', periods = 5, freq = 'H')
ts = pd.DataFrame(np.arange(15).reshape(5,3),
index = rng,
columns = ['a','b','c'])
print(ts)
print(ts.resample('15T').asfreq())
print(ts.resample('15T').ffill())
print(ts.resample('15T').bfill())
# 低頻轉(zhuǎn)高頻，主要是如何插值
# .asfreq()：不做填充，返回Nan
# .ffill()：向上填充
# .bfill()：向下填充
時期重采樣 - Period
prng = pd.period_range('2016','2017',freq = 'M')
ts = pd.Series(np.arange(len(prng)), index = prng)
print(ts)
print(ts.resample('3M').sum()) # 降采樣
print(ts.resample('15D').ffill()) # 升采樣
