Pandas时间序列处理：7个核心函数与实战技巧

在零售、经济和金融等领域，数据往往与货币流动和销售活动紧密相关，且高度依赖时间维度。若缺乏时间戳或时间标记，管理海量收集的数据将变得异常困难。虽然Python标准库提供了NumPy的timedelta64和datetime64用于时间序列操作，且sklearn也包含部分时间序列功能，但Pandas提供了更丰富且易用的处理函数。

Pandas库中主要涉及四个与时间相关的核心概念。

• 日期时间（Datetime）：表示特定的日期和时间，并支持相应的时区信息。在Pandas中，其数据类型为datetime64[ns]或datetime64[ns, tz]。
• 时间增量（Timedelta）：用于表示时间差异，支持多种单位，如天、小时、分钟等。从概念上讲，它是日期时间的一种子类形式。
• 时间跨度（Period）：指固定周期内的特定频率。其数据类型标记为period[freq]。
• 日期偏移（Date Offset）：用于基于当前日期推算目标日期，Pandas中未为其定义特定的数据类型，而是通过偏移量对象实现。

时间序列分析对于理解随时间变化的趋势或系统模式至关重要。借助数据可视化手段，我们可以深入分析数据并据此做出后续决策。

接下来，我们将通过具体示例演示这些函数的实际应用。

1、获取特定日期的星期名称

import pandas as pd
day = pd.Timestamp(‘2021/1/5')
day.day_name()

上述代码展示了如何显示特定日期的星期名称。首先导入Pandas库，并调用Timestamp和day_name函数。其中，Timestamp用于输入指定日期，而day_name函数则返回该日期对应的星期名称。

2、执行时间算术计算

import pandas as pd

day = pd.Timestamp(‘2021/1/5')
day1 = day + pd.Timedelta(“3 day”)
day1.day_name()

day2 = day1 + pd.offsets.BDay()
day2.day_name()

在第一个代码示例中，计算并显示三天后的日期名称。通过Timedelta函数，用户可以输入任意时间单位（如天、小时、分钟、秒）的时间差值。

在第二个代码示例中，利用offsets.BDay()函数来查找下一个工作日。这意味着，如果当前是星期五，计算结果将指向随后的星期一。

3、利用时区信息操作和转换日期时间

获取时区信息

import pandas as pd
import numpy as np
from datetime import datetime

dat_ran = dat_ran.tz_localize(“UTC”)
dat_ran

转换为美国时区

dat_ran.tz_convert(“US/Pacific”)

代码的目标是更改日期的时区设置。首先需确定当前时区，这通过tz_localize()函数完成，示例中当前时区为“UTC”。随后，使用tz_convert()函数将其转换为美国/太平洋时区（US/Pacific）。

4、使用日期时间戳

import pandas as pd
import numpy as np
from datetime import datetime
dat_ran = pd.date_range(start = ‘1/1/2021', end = ‘1/5/2021', freq = ‘Min')

print(type(dat_ran[110]))

5、创建日期序列

import pandas as pd
import numpy as np
from datetime import datetime
dat_ran = pd.date_range(start = ‘1/1/2021', end = ‘1/5/2021', freq = ‘Min')

print(dat_ran)

上述代码生成了一个日期序列的范围。通过date_range函数，输入起始和结束日期，即可获取该时间段内的所有日期。

6、操作日期序列

import pandas as pd
from datetime import datetime
import numpy as np

dat_ran = pd.date_range(start ='1/1/2019', end ='1/08/2019',freq ='Min')
df = pd.DataFrame(dat_ran, columns =[‘date'])
df[‘data'] = np.random.randint(0, 100, size =(len(dat_ran)))
print(df.head(5))

在上述代码中，使用DataFrame函数将字符串类型的数据转换为DataFrame格式。最后，np.random.randint()函数用于随机生成一些假设性的测试数据。

7、使用时间戳数据对数据进行切片

import pandas as pd
from datetime import datetime
import numpy as np
dat_ran = pd.date_range(start ='1/1/2019', end ='1/08/2019', freq ='Min')

df = pd.DataFrame(dat_ran, columns =[‘date'])
df[‘data'] = np.random.randint(0, 100, size =(len(dat_ran)))
string_data = [str(x) for x in dat_ran]

print(string_data[1:5])

上述代码是第6条的延续。在创建DataFrame并将其映射到随机数后，对列表进行了切片操作。

最后总结，本文通过示例演示了时间序列和日期函数的基础应用。建议参考本文内容，并尝试Pandas中的其他日期函数进行更深入的学习，因为这些函数在实际工作中具有重要价值。

以上就是Pandas中常用的七个时间戳处理函数使用总结的详细内容，更多关于Pandas时间戳处理函数的资料请关注本站其它相关文章！