Pandas时间序列
pandas 提供了一组标准的时间序列处理工具和数据算法
数据类型及操作
Python 标准库的 datetime
datetime 模块中的 datetime、 time、 calendar 等类都可以用来存储时间类型以及进行一些转换和运算操作。
from datetime import datetime now = datetime.now() now delta = datetime(2010,2,2)-datetime(2010,2,1) delta now + delta
datetime 对象间的减法运算会得到一个 timedelta 对象，表示一个时间段。
datetime 对象与它所保存的字符串格式时间戳之间可以互相转换。str() 函数是可用的，但更推荐 datetime.strptime() 方法。这个方法可以实现双向转换。
str(now) now.strftime('%Y-%m-%d') datetime.strptime('2010-01-01','%Y-%m-%d')
pandas 的 TimeStamp
pandas 最基本的时间日期对象是一个从 Series 派生出来的子类 TimeStamp，这个对象与 datetime 对象保有高度兼容性，可通过 pd.to_datetime() 函数转换。（一般是从 datetime 转换为 Timestamp）
pd.to_datetime(now)
pd.to_datetime(np.nan)
pandas 的时间序列
pandas 最基本的时间序列类型就是以时间戳（TimeStamp）为 index 元素的 Series 类型。
dates = [datetime(2011,1,1),datetime(2011,1,2),datetime(2011,1,3)] ts = pd.Series(np.random.randn(3),index=dates) ts type(ts) ts.index ts.index[0]
时间序列之间的算术运算会自动按时间对齐。
索引、选取、子集构造
时间序列只是 index 比较特殊的 Series ，因此一般的索引操作对时间序列依然有效。其特别之处在于对时间序列索引的操作优化。如使用各种字符串进行索引：
ts['20110101'] ts['2011-01-01'] ts['01/01/2011']
对于较长的序列，还可以只传入 “年” 或 “年月” 选取切片：
ts ts['2011'] ts['2011-1-2':'2012-12']
生成日期范围
pd.date_range() 可用于生成指定长度的 DatetimeIndex。参数可以是起始结束日期，或单给一个日期，加一个时间段参数。日期是包含的。
pd.date_range('20100101','20100110') pd.date_range(start='20100101',periods=10) pd.date_range(end='20100110',periods=10)
移动（超前和滞后）数据
移动（shifting）指的是沿着时间轴将数据前移或后移。Series 和 DataFrame 都有一个 .shift() 方法用于执行单纯的移动操作，index 维持不变：
ts ts.shift(2) ts.shift(-2)
因为移动操作产生了 NA 值，另一种移动方法是移动 index，而保持数据不变。这种移动方法需要额外提供一个 freq 参数来指定移动的频率：
ts.shift(2,freq='D') ts.shift(2,freq='3D')
时期及其算术运算
时期（period）概念不同于前面的时间戳（timestamp），指的是一个时间段。但在使用上并没有太多不同，pd.Period 类的构造函数仍需要一个时间戳，以及一个 freq 参数。freq 用于指明该 period 的长度，时间戳则说明该 period 在公园时间轴上的位置。
p = pd.Period(2010,freq='M') p p + 2
上例中我给 period 的构造器传了一个 “年” 单位的时间戳和一个 “Month” 的 freq，pandas 便自动把 2010 解释为了 2010-01。
period_range 函数可用于创建规则的时间范围：
pd.period_range('2010-01','2010-05',freq='M')
PeriodIndex 类保存了一组 period，它可以在任何 pandas 数据结构中被用作轴索引：
pd.Series(np.random.randn(5),index=pd.period_range('201001','201005',freq='M'))
重采样
Pandas可以通过频率转换简单高效的进行重新采样
Pandas在对频率转换进行重新采样时拥有简单、强大且高效的功能（如将按秒采样的数据转换为按分钟为单位进行采样的数据）。这种操作在金融领域非常常见。
rng = pd.date_range('1/1/2012', periods=100, freq='S') rng ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng) ts ts.resample('1Min').sum() #将秒级数据整合(加)成1min的数据
其他类型数值转为时间类型
时间字符串转时间格式：整型例如 20010100000000 这类格式容易当成时间戳转错，带format格式才行
pd.to_datetime(series时间字符,format='%Y%m%d%H%M%S') a = pd.DataFrame([[20010101,100000,'aaa'],[20010201,230100,'bbb']]) a pd.to_datetime(a[0],format='%Y%m%d')