時間序列資料是資料分析中一類常見且重要的資料，
它們按照時間順序記錄，通常是從某些現象的觀察中收集的，比如經濟指標、氣象資料、股票價格、銷售資料等等，

時間序列資料的特點是有規律地隨著時間變化而變化，它們的變化趨勢可以被分析和預測，時間序列分析是一種用于預測未來值或評估過去值的統計方法，常常被用于預測未來趨勢、季節性變化、周期性變化、隨機波動等，

1. 日期型別

原始資料中，日期一般會存盤為各種型別字串，比如：

• 2022/5/1
• 2022-05-02
• 3/5/2022

將其統一轉換為pandas的日期型別，后續統計分析時，不僅方便計算，還可以有效避免應對各種格式帶來的麻煩，

1.1 轉換為日期型別

pandas的to_datetime函式對于資料集中各類日期字串都能有效的轉換，

df = pd.DataFrame(
    {
        "日期": ["2022/5/1", "2022-05-02", "3/5/2022"],
        "城市": ["合肥", "合肥", "合肥"],
        "平均氣溫": [28, 31, 27],
    },
)

print(df)
print(df.dtypes)

可以看出，默認的日期是字串型別且格式混亂，
轉換后：

df["日期"] = pd.to_datetime(df["日期"])
print(df)
print(df.dtypes)

日期顯示起來格式統一了，型別也變為了datetime64[ns]，

1.2 生成日期序列

除了將資料集讀取來的日期字串轉換為日期型別，我們也可以生成日期序列，這些生成的日期序列可以作為的資料索引，也可以用來補充資料集中缺失的日期值，

df = pd.DataFrame()
df["年"] = pd.date_range('2020-01-01', periods=3, freq='Y')
df["月"] = pd.date_range('2020-01-01', periods=3, freq='M')
df["日"] = pd.date_range('2020-01-01', periods=3, freq='D')
df["周"] = pd.date_range('2020-01-01', periods=3, freq='W')
df["季度"] = pd.date_range('2020-01-01', periods=3, freq='Q')
df

上面的示例分別以年，月，日，周，季度為間隔，生成3條連續的時間序列，

1.3 修改日期

修改日期的值，也是利用日期型別自帶的方法，不用像修改字串那樣修改，那樣極易出錯，

df = pd.DataFrame()
d = pd.date_range('2020-01-01', periods=3, freq='D')
df["原始日期"] = d
df["延遲三天"] = d.shift(3, freq="D")
df["提前三天"] = d.shift(-3, freq="D")
df

這里是按天調整的，如果要按照年，月，周，季度等調整，像上一個例子那樣設定freq引數即可，

2. 日期屬性

將資料轉換為pandas日期型別的最大好處就是可以使用日期型別特有的屬性，方便進行各個維度的分析，

常用的日期維度是年，月，日，周，季度，

2.1 年

利用日期屬性按年份統計合計值：

df = pd.DataFrame(
    {
        "日期": ["2020/5/1", "2021/5/1", "2021/6/3", "2022/9/4"],
        "平均氣溫": [28, 31, 27, 33],
    },
)

df["日期"] = pd.to_datetime(df["日期"])
df["年"] = df["日期"].dt.year
print(df)
print(df.groupby(df["年"]).sum())

兩個2021年的資料統計了合計值，

2.2 月

按月統計合計值：

df = pd.DataFrame(
    {
        "日期": ["2020/5/1", "2021/5/1", "2021/6/3", "2022/9/4"],
        "平均氣溫": [28, 31, 27, 33],
    },
)

df["日期"] = pd.to_datetime(df["日期"])
df["月"] = df["日期"].dt.month
print(df)
print(df.groupby(df["月"]).sum())

兩個5月份的資料統計了合計值，

2.3 日

按日統計合計值：

df = pd.DataFrame(
    {
        "日期": ["2020/5/1", "2021/5/1", "2021/6/3", "2022/9/4"],
        "平均氣溫": [28, 31, 27, 33],
    },
)

df["日期"] = pd.to_datetime(df["日期"])
df["日"] = df["日期"].dt.day
print(df)
print(df.groupby(df["日"]).sum())

兩個1號的資料統計了合計值，

2.4 周

按周統計合計值：

df = pd.DataFrame(
    {
        "日期": ["2021/5/1", "2021/5/31", "2021/6/3", "2021/9/4"],
        "平均氣溫": [28, 31, 27, 33],
    },
)

df["日期"] = pd.to_datetime(df["日期"])
df["周"] = df["日期"].dt.isocalendar().week
print(df)
print(df.groupby(df["周"]).sum())

上面兩個日期同屬于第22周，所以計算了合計值，
獲取周屬性與前面略有不同，不是直接獲取week，而是用isocalendar().week，

2.5 季度

按季度統計合計值：

df = pd.DataFrame(
    {
        "日期": ["2021/5/1", "2021/5/31", "2021/6/3", "2021/9/4"],
        "平均氣溫": [28, 31, 27, 33],
    },
)

df["日期"] = pd.to_datetime(df["日期"])
df["季度"] = df["日期"].dt.quarter
print(df)
print(df.groupby(df["季度"]).sum())

上面3個日期都是第二季度，所以計算了合計值，

3. 總結回顧

本篇特意將pandas中的日期型別單獨介紹，
一方面是因為日期型別與其他型別相比，多出了很多特有的屬性；
另一方面，時間序列資料和回歸分析中也會大量用到日期型別，

這里介紹了日期型別的轉換方法和常用屬性，但日期型別不僅僅限于這些屬性，其他的屬性可以參考pandas的官方檔案：Index objects — pandas 2.0.1 documentation

標籤：Python

上一篇：Java 網路編程 —— 客戶端協議處理框架

下一篇：返回列表