金融数据分析与挖掘——Pandas时间类型序列

1、datetime模块

datetime(2018, 3, 2) # datetime的类型|
Python系列教程,免费获取,遇到bug及时反馈,讨论交流可加扣裙<60 61 15 02 7>

2、Pandas的时间类型

pd.to_datetime()：转换成pandas的时间类型 Timestamp('2018-03-02 00:00:00')

# pd将时间数据转换成pandas时间类型 # 1、填入时间的字符串，格式有几种, "2018-01-01" ，”01/02/2018“ pd.to_datetime("01/02/2017") # 2、传入datetime的时间格式 pd.to_datetime(datetime(2018, 3, 2))

如果我们传入的是多个时间点，那么会是什么样的？

3、Pandas的时间序列类型

1、转换时间序列类型

# 传入时间的列表 pd.to_datetime(["2017-01-01", "2017-02-01", "2017-03-01"]) # 或者 date = [datetime(2018, 3, 1), datetime(2018, 3, 2), datetime(2018, 3, 3), datetime(2018, 3, 4), datetime(2018, 3, 5)] date = pd.to_datetime(date) # 如果其中有空值 date = [datetime(2018, 3, 1), datetime(2018, 3, 2), np.nan, datetime(2018, 3, 4), datetime(2018, 3, 5)] date = pd.to_datetime(date) # 结果会变成NaT类型 DatetimeIndex(['2018-03-01', '2018-03-02', 'NaT', '2018-03-04', '2018-03-05'], dtype='datetime64[ns]', freq=None)

2、Pandas的时间序列类型：DatetimeIndex

# DateTimeIndex pd.to_datetime(date) DatetimeIndex(['2018-03-01', '2018-03-02', '2018-03-03', '2018-03-04', '2018-03-05'], dtype='datetime64[ns]', freq=None) pd.to_datetime(date).values array(['2018-03-01T00:00:00.000000000', '2018-03-02T00:00:00.000000000', '2018-03-03T00:00:00.000000000', '2018-03-04T00:00:00.000000000', '2018-03-05T00:00:00.000000000'], dtype='datetime64[ns]')

其中可以看到一种datetime64的类型，这个是numpy的一种时间类型。

我们也可以通过DatetimeIndex来转换

3、通过pd.DatetimeIndex进行转换

pd.DatetimeIndex(date)

知道了时间序列类型，所以我们可以用这个当做索引，获取数据

4、Pandas的基础时间序列结构

# 最基础的pandas的时间序列结构,以时间为索引的，Series序列结构 # 以时间为索引的DataFrame结构 series_date = pd.Series(3.0, index=date) # 以下两种方法的结果会有区别 pd.to_datetime(series_date) pd.DatetimeIndex(series_date)

pandas时间序列series的index必须是DatetimeIndex

DatetimeIndex的属性
year,month,weekday,day,hour….

time.year time.month time.weekday

5、时间的偏移

frompandas.tseries.offsets import Hour, Minute,Day, MonthEnd…

# 计算总分钟 # pandas支持不同时间单位的运算，包括时间一些偏移 Hour(5) + Minute(30)

DatetimeIndex.shift(n, freq=)
n:偏移的大小
freq:偏移的频率
Returns:DatetimeIndex

# 针对时间序列进行统一的运算 # shift相当于左右偏移的函数，时间向前，向后偏移 # 30天为一个单位，偏移3次 date.shift(3, freq="30D")

6、Pandas生成指定频率的时间序列

pandas.date_range(start=None, end=None, periods=None, freq='D', tz=None, normalize=False, name=None, closed=None, **kwargs)
Returna fixed frequency DatetimeIndex, with day (calendar) as the default frequency
start:开始时间
end:结束时间
periods:产生多长的序列
freq:频率 D,H,Q等
tz:时区

金融数据分析与挖掘——Pandas时间类型序列

# 生成指定的时间序列 # 1、生成2017-01-02~2017-12-30，生成频率为1天, 不跳过周六周日 pd.date_range("2017-01-02", "2017-12-30", freq="D") # 2、生成2017-01-02~2017-12-30，生成频率为1天, 跳过周六周日, 能够用在金融的数据，日线的数据 pd.date_range("2017-01-02", "2017-12-30", freq="B") # 3、只知道开始时间日期，我也知道总共天数多少，生成序列，从"2016-01-01", 共504天，跳过周末 pd.date_range("2016-01-01", periods=504, freq="B") # 4、生成按照小时排列的时间序列数据 pd.date_range("2017-01-02", "2017-12-30", freq='H') # 5、按照3H去进行生成 pd.date_range("2017-01-02", "2017-12-30", freq='3H') # 6、按照1H30分钟去进行生成时间序列 pd.date_range("2017-01-02", "2017-12-30", freq='1H30min') # 7、按照每月最后一天 pd.date_range("2017-01-02", "2017-12-30", freq='BM') # 8、按照每个月的第几个星期几 pd.date_range("2017-01-02", "2017-12-30", freq='WOM-3FRI')

金融数据分析与挖掘——Pandas时间类型序列

1、datetime模块

相关推荐