8.1datetime模塊

8.1.1datetime的構造

8.1.2資料轉換

8.2時間序列基礎

8.2.1時間序列構造

8.2.2索引與切片

8.3日期

8.3.1日期范圍

8.3.2頻率與移動

?8.4時期

8.4.1時期基礎

8.4.2頻率轉換

8.4.3時期資料轉換

8.5頻率轉換與重采樣

8.5.1重采樣

8.5.2降采樣

?8.5.3升采樣

8.6綜合示例-自行車租賃資料

8.6.1資料來源

8.6.2定義問題

8.6.3資料清洗

8.6.4資料探索

在許多行業中，時間序列資料是一種重要的結構化資料型別，本章主要講解datetime的資料型別及字串的想換轉換方法；時間序列的構造和使用放啊；日期和時期資料的使用方法；時間序列的頻率轉換與重采樣，最后通過一個案例，講解時間序列資料的處理與分析方法，

8.1datetime模塊

本節將講解Python標準庫中的datetime庫的使用方法，以及datetime庫的資料和字串資料的轉換方法，

8.1.1datetime的構造

Python的標準庫datetime可用于創建時間資料型別，如下表所示為datetime庫的時間資料型別，

型別	使用說明
date	日期（年月日）
time	時間（時分秒毫秒）
datetime	日期和時間
timedelta	兩個datetime的差（日秒毫秒）

其中date類資料可用于創建日期類資料，通過年、月、日來進行存盤，如下圖

time類資料用于存盤時間資料，通過時、分、秒、毫秒進行存盤，如下圖

datetime類資料可以看做時date類和time類的組合，通過now方法可以查看當前的時間，如下圖

timedelta類資料為兩個datetime類資料的差，也可以通過daetime類物件加或減去timedelta類物件，以此獲取新的datetime類物件，如下圖

8.1.2資料轉換

在資料分析中，字串和datetime類資料需要進行轉換，通過str方法可以直接將datetime類資料轉換為字串

如果需要將datetime類資料轉換為特定格式的字串資料（格式化），需要使用strftime方法，如下圖

下表所示為部分格式化編碼

代碼	使用說明
%Y	4位數的年
%y	2位數的年
%m	2位數的月
%d	2位數的填
%H	時（24小時制）
%I	時（12小時制）
%M	2位數的分
%W	每年的第幾周，星期一為每周第一天

通過datetime.strptime方法可將字串格式轉換為datetime資料型別，如下圖

在pandas中，可通過to_datetime方法將一列字串資料轉換為時間資料，以前面章節的示例為例，可以看出HireDate欄位的資料型別為字串

通過to_datetime方法可以將HireDate欄位進行轉換，如下圖，該資料為TimeStamp （時間戳）

8.2時間序列基礎

時間序列是以時間戳為索引的Series或DataFrame，本節將講解時間序列的構造方法，以及時間序列的索引和切片

8.2.1時間序列構造

pandas中的時間序列指的是以時間資料為索引的Series或DataFrame，如下圖，為創建一個時間序列的Series

創建的這個時間序列Series的索引為DatetimeIndex物件，如下圖

而DatetimeIndex物件的每個標量值是pandas的Timestamo物件，如下圖，該物件以保存頻率資訊，后面會講解其用途，

跟普通的series一樣，不同索引的時間序列的算數運算會按照索引對齊，如下圖

8.2.2索引與切片

時間序列的索參考法和pandas基礎資料型別的用法是一樣的，如下圖

傳入一個可用于解釋的日期字串，同樣也可以完成索引作業，這是一種比較方便的用法，如下圖

切片的使用方法和pandas基礎資料用法也是一樣的，如下圖所示

同樣的傳入日期字串或者datetime類資料也可以完成切片，由于大部分時間序列資料是按照時間先后順序進行排序的，如果索引值不在該時間序列中也可以實作切片，如下圖

對于長時間序列來說，可以通過年、月來輕松獲取時間序列的切片，如下圖

注：時間序列的DataFrame的索引和切片使用方法同上面一樣，不再贅述，

對于具有重復索引的時間序列，可通過索引的is_unique屬性進行檢查，如下圖

對重復索引的時間序列進行索引時，產生的是切片，如下圖

這樣可通過groupby函式對其進行聚合，如下圖

8.3日期

本節將講解如何生成指定長度的DatetimeIndex，時間序列中的基礎頻率及如何移動時間資料，

8.3.1日期范圍

使用pd.date_range函式可以創建指定長度的DatetimeIndex索引，如下圖

如下圖，默認情況下，產生的DatetimeIndex索引的間隔為天，也就是說，時間頻率是填，通過freq引數可以使用其他頻率，如下圖

在pd.date_range函式中傳入起始或者結束如期，在傳入一個表示一段時間的資料，就可以創建指定長度的DatetimeIndex索引，如下圖

默認情況下，pd.date_range函式會保留完整的時間資訊，但可以通過normalize引數使其規范化，如下圖所示

8.3.2頻率與移動

時間序列的頻率由基礎頻率和日期偏移量組成，例如，通過4H就可以創建4個小時為頻率的DatetimeIndex索引，如下圖

更為復雜的頻率字串，也可以被搞笑決議為相對應的頻率，如下圖

時間序列的常用基礎頻率如下表

別名	使用說明
D	每日歷日
B	每作業日
H	每小時
S	每秒
T或者min	每分鐘
M	每月最后一個日歷日
BM	每月最后一個作業日
A-JAN、A-EFB	每年指定月份的最后一個日歷日

移動資料就是沿著時間索引將資料向前或者向后移動，通過shift方法可以完成移動資料的操作，如下圖

這種單純的移動不會修改索引，而是使部分資料被丟棄，如果在shift方法中傳入引數，這樣就是修改索引了，如下圖

8.4時期

時期表示的時間區間，如數日，數月和數年等，本節將講解時期的構造方法、時期資料的頻率轉換和其資料結構

8.4.1時期基礎

Period可以創建時期資料型別，傳入字串或者整數、頻率即可，如下圖，下圖中的Period物件表示從2018年1也1日到2018年12月31日之間的整段時間，

該Period物件可以進行加減計算，使其進行時間的品阿姨，兩個Period物件如果由相同的頻率，則他們的差為他們之間的單位數量，

類似于pd.date_range,pd.period_range函式可以創建時期范圍，PeriodIndex索引同樣可以構Series或DataFrame資料

8.4.2頻率轉換

Period和PeriodIndex物件可以通過asfreq方法轉換頻率，如下圖所示將年度時期轉換為月度時期

當年度的頻率不是位于12月時，轉換頻率就會發生變化，如下圖

PeriodIndex物件的頻率轉換方式也一樣，如下圖

8.4.3時期資料轉換

利用to_period方法可以將由時間戳索引的時間序列資料轉換為時期為索引，如下圖

當然，也可以指定轉換的頻率，如圖所示

通過to_timestamp方法可進行逆操作，如下圖

8.5頻率轉換與重采樣

重采樣時時間序列頻率轉換的處理程序，高頻率聚合到低頻率成為降采樣，而低頻率轉換為高頻率為高采樣，

8.5.1重采樣

pandas中的resample方法用于各種頻率的轉換作業，如下圖所示為將間隔為’天‘的頻率轉換為間隔為’月度‘的頻率，這里的聚合方法為平均值，

如下表所示為resample方法的引數及說明，具體使用方法后面會詳細解說

引數	使用說明
freq	轉換頻率
axies=0	重采樣的軸
closed=’right	在降采樣中，設定各時間段哪端是閉合的
label=‘right’	在降采樣中，如何設定聚合值的標簽
loffset=None	設定時間偏移量
kind=None	聚合到時期或時間戳，默認為時間序列得索引型別
convention=None	升采樣所采用得約定（start或end），默認為end

8.5.2降采樣

在降采樣中，重點需要考慮得是closed和label引數，這兩個引數分別表示哪邊區間是閉合的，哪邊用于標記，如圖所示為將兩個引數值都設定為right

如下圖所示將closed和label引數值均設為left，大家可以思考一下這兩個引數的變化帶來的影響，多看兩遍就可以掌握了，其實很簡單，

通過設定loffset日期偏移量，也可以看出其時間戳所屬的區間，如下圖，紅色的是未來改版的警告資訊，大家按照他那個寫法改改就好，

8.5.3升采樣

在升采樣中用到的就不再是聚合，而是需要對缺失值進行填充，其填充方法與前面介紹的fillna一樣，如下圖所示，也可以設定填充的個數，

8.6綜合示例-自行車租賃資料

8.6.1資料來源

該案例使用的資料及可在Kaggle（https://www.kaggle.com/c/bike/-sharing-demand/data）網站中下載，這里下載訓練集，

資料說明：datetime為租賃時間：season為季節，1為春季，2為夏季以此類推：holiday表示是否為假期：0為非假期，1為假期：workingday與holday值正好相反，0為非作業日，1為作業日：weather為天氣情況，數字越大，天氣越差；temp和atemp為氣溫；humidity為濕度；windspeed為風俗；casual為普通用戶；registered為注冊用戶；count為租賃自行車數量，讀取檔案如下：