python时间日期函数与利用pandas进行时间序列处理详解
python标准库包含于日期(date)和时间(time)数据的数据类型,datetime、time以及calendar模块会被经常用到。 datetime以毫秒形式存储日期和时间,datetime.timedelta表示两个datetime对象之间的时间差。 下面我们先简单的了解下python日期和时间数据类型及工具 给datetime对象加上或减去一个或多个timedelta,会产生一个新的对象 from datetime import datetime from datetime import timedelta now = datetime.now() now datetime.datetime(2017,6,27,15,56,167000) datetime参数:datetime(year,month,day[,hour[,minute[,second[,microsecond[,tzinfo]]]]]) delta = now - datetime(2017,10,10) delta datetime.timedelta(0,20806,166990) delta.days 0 delta.seconds 20806 delta.microseconds 166990 datetime模块中的数据类型
字符串和datetime的相互转换 1)python标准库函数 日期转换成字符串:利用str 或strftime 字符串转换成日期:datetime.strptime stamp = datetime(2017,27) str(stamp) '2017-06-27 00:00:00' stamp.strftime('%y-%m-%d')#%Y是4位年,%y是2位年 '17-06-27' #对多个时间进行解析成字符串 date = ['2017-6-26','2017-6-27'] datetime2 = [datetime.strptime(x,'%Y-%m-%d') for x in date] datetime2 [datetime.datetime(2017,26,0),datetime.datetime(2017,0)] 2)第三方库dateutil.parser的时间解析函数 from dateutil.parser import parse parse('2017-6-27') datetime.datetime(2017,0) parse('27/6/2017',dayfirst =True) datetime.datetime(2017,0) 3)pandas处理成组日期 pandas通常用于处理成组日期,不管这些日期是DataFrame的轴索引还是列,to_datetime方法可以解析多种不同的日期表示形式。 date ['2017-6-26','2017-6-27'] import pandas as pd pd.to_datetime(date) DatetimeIndex(['2017-06-26','2017-06-27'],dtype='datetime64[ns]',freq=None) datetime 格式定义
pandas时间序列基础以及时间、日期处理 pandas最基本的时间序列类型就是以时间戳(时间点)(通常以python字符串或datetime对象表示)为索引的Series: dates = ['2017-06-20','2017-06-21', '2017-06-22','2017-06-23','2017-06-24','2017-06-25','2017-06-26','2017-06-27'] import numpy as np ts = pd.Series(np.random.randn(8),index = pd.to_datetime(dates)) ts 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626 2017-06-24 0.981214 2017-06-25 0.314127 2017-06-26 -0.127258 2017-06-27 1.919773 dtype: float64 ts.index DatetimeIndex(['2017-06-20','2017-06-22',freq=None) pandas不同索引的时间序列之间的算术运算会自动按日期对齐 ts[::2]#从前往后每隔两个取数据 2017-06-20 0.788811 2017-06-22 0.009967 2017-06-24 0.981214 2017-06-26 -0.127258 dtype: float64 ts[::-2]#从后往前逆序每隔两个取数据 2017-06-27 1.919773 2017-06-25 0.314127 2017-06-23 -1.024626 2017-06-21 0.372555 dtype: float64 ts + ts[::2]#自动数据对齐 2017-06-20 1.577621 2017-06-21 NaN 2017-06-22 0.019935 2017-06-23 NaN 2017-06-24 1.962429 2017-06-25 NaN 2017-06-26 -0.254516 2017-06-27 NaN dtype: float64 索引为日期的Series和DataFrame数据的索引、选取以及子集构造 方法: 2)[一个可以被解析为日期的字符串] 3)对于,较长的时间序列,只需传入‘年'或‘年月'可返回对应的数据切片 4)通过时间范围进行切片索引 ts 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626 2017-06-24 0.981214 2017-06-25 0.314127 2017-06-26 -0.127258 2017-06-27 1.919773 dtype: float64 ts[ts.index[2]] 0.0099673896063391908 ts['2017-06-21']#传入可以被解析成日期的字符串 0.37255538918121028 ts['21/06/2017'] 0.37255538918121028 ts['20170621'] 0.37255538918121028 ts['2017-06']#传入年或年月 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626 2017-06-24 0.981214 2017-06-25 0.314127 2017-06-26 -0.127258 2017-06-27 1.919773 dtype: float64 ts['2017-06-20':'2017-06-23']#时间范围进行切片 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626 dtype: float64 带有重复索引的时间序列 1).index.is_unique检查索引日期是否是唯一的 2)对非唯一时间戳的数据进行聚合,通过groupby,并传入level = 0(索引的唯一一层) dates = pd.DatetimeIndex(['2017/06/01','2017/06/02','2017/06/03']) dates DatetimeIndex(['2017-06-01','2017-06-02','2017-06-03'],freq=None) dup_ts = pd.Series(np.arange(5),index = dates) dup_ts 2017-06-01 0 2017-06-02 1 2017-06-02 2 2017-06-02 3 2017-06-03 4 dtype: int32 dup_ts.index.is_unique False dup_ts['2017-06-02'] 2017-06-02 1 2017-06-02 2 2017-06-02 3 dtype: int32 grouped = dup_ts.groupby(level=0).mean() grouped 2017-06-01 0 2017-06-02 2 2017-06-03 4 dtype: int32 dup_df = pd.DataFrame(np.arange(10).reshape((5,2)),index = dates ) dup_df
grouped_df = dup_df.groupby(level=0).mean()##针对DataFrame grouped_df
本文总结了以下4个知识点 1)字符串、日期的转换方法 2)日期和时间的主要python,datetime、timedelta、pandas.to_datetime等 3)以时间为索引的Series和DataFrame的索引、切片 4)带有重复时间索引时的索引,.groupby(level=0)应用 您可能感兴趣的文章:
(编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |