基於pandas的時間序列處理方法

2021-08-21 09:33:39 字數 3104 閱讀 7466

importpandasaspd


importnumpyasnp


#生成時間序列


rng = pd.date_range('2016/1/1', periods=20, freq='d')


time = pd.series(np.random.rand(20), index=rng)


#print(time)


#過濾資料


time.truncate(before='2016-1-10')


#print(time)


#資料重取樣


'''1.時間資料由乙個頻率轉換至另乙個頻率2.降取樣3.公升取樣'''rng = pd.date_range('1/1/2011', periods=90, freq='d')


ts = pd.series(np.random.randn(len(rng)), index=rng)


#print(ts.head())


#轉成成以月為單位


#ts.resample('m').sum()


day3ts = ts.resample('3d').sum()


#print(ts.resample('3d').mean())


#插值填充


#print(day3ts.resample('d').asfreq())


#三種插值方法


'''1.ffill 空值取前面的值2.bfill 控制取後面的值3.interporate 線性取值'''#print(day3ts.resample('d').ffill(1))#對多少個nan填充


'''2011-01-01 -1.3762952011-01-02 -1.3762952011-01-03 nan'''#print(day3ts.resample('d').bfill(1))


'''2011-01-01 0.9481382011-01-02 nan2011-01-03 0.5602292011-01-04 0.560229'''#print(day3ts.resample('d').interpolate('linear'))


'''2011-01-01 0.4536592011-01-02 0.9934092011-01-03 1.5331582011-01-04 2.072907'''# 滑動視窗


'''**時求一段時間的平均值'''df = pd.series(np.random.randn(600), index=pd.date_range('7/1/2016',freq='d', periods=600))


#print(df.head())


#r = df.rolling(window=10)#視窗大小為10


pandas時間序列
import pandas as pd import numpy as np import datetimedf pd.dataframe df 將時間序列轉化為標準的年月日的形式 df date pd.to datetime df date df 生成定頻日期與時間段序列 dt pd.date r...


Pandas時間序列資料處理
時間序列資料是以時間為自變數，描述物件在時間過程中的發展 變化。比如，超市每天的銷售額，景區每天的旅客流量等。因此，處理時間序列資料是pandas資料分析中重要的一類方法。一 時間索引轉換 一般來說，我們獲得的資料不是以時間作為索引的。即使原始資料的第一列是時間，當我們匯入python後仍然會重新建...


pandas 時間處理
year month day 是 datetime 標準形式 可以用 datetime.dt.day 取到 day 如果是 datetime 相減，得到兩個時間差的天數，型別變為 timedelta 要用 dt.days 獲取天數 如果是一串數字表達的時間 沒有分隔符 可以用to datetime ...