在零售、经济和金融等行业，数据总是由于货币和销售而不断变化，生成的所有数据都高度依赖于时间。如果这些数据没有时间戳或标记，实际上很难管理所有收集的数据。Python 程序允许我们使用 NumPy timedelta64 和 datetime64 来操作和检索时间序列数据。sklern库中也提供时间序列功能，但 Pandas 为我们提供了更多且好用的函数。
Pandas 库中有四个与时间相关的概念
- 日期时间：日期时间表示特定日期和时间及其各自的时区。它在 pandas 中的数据类型是 datetime64[ns] 或 datetime64[ns, tz]。
- 时间增量：时间增量表示时间差异，它们可以是不同的单位。示例：“天、小时、减号”等。换句话说，它们是日期时间的子类。
- 时间跨度：时间跨度被称为固定周期内的相关频率。时间跨度的数据类型是 period[freq]。
- 日期偏移：日期偏移有助于从当前日期计算选定日期，日期偏移量在 pandas 中没有特定的数据类型。
时间序列分析至关重要，因为它们可以帮助我们了解随着时间的推移影响趋势或系统模式的因素。在数据可视化的帮助下，分析并做出后续决策。
现在让我们看几个使用这些函数的例子
1、查找特定日期的某一天的名称
import pandas as pdday = pd.Timestamp(‘2021/1/5’)day.day_name()
上面的程序是显示特定日期的名称。第一步是导入 panda 的并使用 Timestamp 和 day_name 函数。“Timestamp”功能用于输入日期，“day_name”功能用于显示指定日期的名称。
2、执行算术计算
完整文章：
https://www.overfit.cn/post/239408baf03b45ed96e1fe346af4f4f5