python时间序列函数的简单介绍

python时间序列(2)

时期（period）表示的是时间区间，比如数日、数月、数季、数年等。Period类所 表示的就是这种数据类型，其构造函数需要用到一个字符串或整数，以及表11-4中 的频率:

这里，这个Period对象表示的是从2007年1月1日到2007年12月31日之间的整段时间。

只需对Period对象加上或减去一个整数即可达到根据其频率进行位移的效果：

如果两个Period对象拥有相同的频率，则它们的差就是它们之间的单位数量：

period_range函数可用于创建规则的时期范围：

PeriodIndex类保存了一组Period，它可以在任何pandas数据结构中被用作轴索引：

如果你有一个字符串数组，你也可以使用PeriodIndex类：

Period和PeriodIndex对象都可以通过其asfreq方法被转换成别的频率。假设我们有 一个年度时期，希望将其转换为当年年初或年末的一个月度时期。该任务非常简 单：

你可以将Period('2007','A-DEC')看做一个被划分为多个月度时期的时间段中的游 标。图11-1对此进行了说明。

对于一个不以12月结束的财政年度，月度子时期的归属情况就不一样了：

在将高频率转换为低频率时，超时期（superperiod）是由子时期（subperiod）所 属的位置决定的。例如，在A-JUN频率中，月份“2007年8月”实际上是属于周期“2008年”的：

完整的PeriodIndex或TimeSeries的频率转换方式也是如此：

这里，根据年度时期的第一个月，每年的时期被取代为每月的时期。

如果我们想要 每年的最后一个工作日，我们可以使用“B”频率，并指明想要该时期的末尾：

未完待续。。。

相关问答

Q1: python数据分析时间序列如何提取一个月的数据

python做数据分析时下面就是提取一个月数据的教程1. datetime库

1.1 datetime.date

1） datetime.date.today() 返回今日，输出的类型为date类

import datetime

today = datetime.date.today()

print(today)

print(type(today))

– 输出的结果为：

2020-03-04

class 'datetime.date'

将输出的结果转化为常见数据类型（字符串）

print(str(today))

print(type(str(today)))

date = str(today).split('-')

year,month,day = date[0],date[1],date[2]

print('今日的年份是{}年,月份是{}月,日子是{}号'.format(year,month,day))

– 输出的结果为：(转化为字符串之后就可以直接进行操作)

2020-03-04

class 'str'

今日的年份是2020年,月份是03月,日子是04号

2） datetime.date(年,月,日)，获取当前的日期

date = datetime.date(2020,2,29)

print(date)

print(type(date))

– 输出的结果为：

2020-02-29

class 'datetime.date'

1.2 datetime.datetime

1） datetime.datetime.now()输出当前时间，datetime类

now = datetime.datetime.now()

print(now)

print(type(now))

– 输出的结果为：(注意秒后面有个不确定尾数)

2020-03-04 09:02:28.280783

class 'datetime.datetime'

可通过str()转化为字符串（和上面类似）

print(str(now))

print(type(str(now)))

– 输出的结果为：（这里也可以跟上面的处理类似分别获得相应的数据，但是也可以使用下面更直接的方法来获取）

2020-03-04 09:04:32.271075

class 'str'

2） 通过自带的方法获取年月日，时分秒（这里返回的是int整型数据，注意区别）

now = datetime.datetime.now()

print(now.year,type(now.year))

print(now.month,type(now.month))

print(now.day,type(now.day))

print(now.hour,type(now.hour))

print(now.minute,type(now.minute))

print(now.second,type(now.second))

print(now.date(),type(now.date()))

print(now.date().year,type(now.date().year))

– 输出的结果为：（首先注意输出中倒数第二个还是上面的datetime.date对象，这里是用来做时间对比的，同时除了这里的datetime.datetime有这种方法，datetime.date对象也有。因为此方法获取second是取的整型数据，自然最后的不确定尾数就被取整处理掉了）

2020 class 'int'

3 class 'int'

4 class 'int'

9 class 'int'

12 class 'int'

55 class 'int'

2020-03-04 class 'datetime.date'

2020 class 'int'

Q2: Arima实战：利用Python中pyramid-arima库进行时间序列预测

ARMA, ARIMA, SARIMA assumptions:

▪ Time-series data is stationary.

▪ If nonstationary, remove trend, seasonality, apply differencing, and so on.

▪ Remember that stationary data has no trend, seasonality, constant mean, and

constant variance.

▪ Therefore, the past is assumed to represent what will happen in the future

in a probabilistic sense.

pyramid-arima 的安装请见

(我只在linux系统上成功安装了，windows上没有成功)

函数参数介绍请见

Github上的例子请见

pm.auto_arima可以自动搜索出arima模型中的(q, d, p)参数

参考

利用 model.predict() 函数预测

或更优的，使用 model.update() 函数，不断用新观测到的 value 更新模型，以达到更长时间的预测。

2.4 模型评价

Q3: Python时间序列timeline里的参数有哪些？

Python 中有多种用于处理时间序列的库,具体的参数取决于你使用的库。

例如，使用 Pandas 时间序列的创建可以使用的参数有：

- start: 起始时间

- end: 结束时间

- periods: 整数，表示生成的时间点的数量

- freq: 时间频率，例如 'D' 表示每天

- tz: 时区

- normalize: 布尔值，表示是否将时间设置为午夜

- name: 时间序列的名称

同样，其他时间序列库也有自己的参数设置。

Q4: Pandas-时间序列基础

Python标准库中包含用于日期和时间的数据类型，而且还有日历方面的功能，我们主要会用到datetime、time和calendar模块，datetime.datetime是用的最多的数据类型。

datetime以毫秒形式存储日期和时间，datetime.timedelta表示两个datetime对象之间的时间差.

可以给datetime对象加上或者减去一个或多个timedelta，会产生一个新对象:

利用str或者strftime方法，datetime对象和pandas的Timestamp对象可以被格式化为字符串:

datetime.strptime也可以用这些格式化编码将字符串转化为日期:

datetime.strptime是通过已知格式进行日期解析的最佳方式，但是每次都要编写格式定义很麻烦，尤其是对于一些常见的日期格式，这种情况下，可以用dateutil这个第三方包中的parser.parse方法,dateutil可以解析几乎所有人类能够理解的日期表示形式:

在国际通用格式中，日通常出现在月的前面，传入dayfirst=True即可:

pandas通常是用于处理成组日期的，不管这些日期是DataFrame的轴索引还是列，to_datetime方法可以解析多种不同的日期表示形式。

to_datetime可以处理缺失值，NAT是pandas中时间戳数据的NA值:

pandas最基本的时间序列类型就是以时间戳为索引的Series：

这里的Series索引不是普通的索引，而是DatetimeIndex，而ts变为了一个TimeSeries,同时，可以看到，pandas用Numpy的datetime64数据类型以纳秒形式存储时间戳。

跟其他Series一样，不同索引的时间序列之间的算数运算会自动对齐:

DateTimeIndex中的各个标量值是pandas的Timestamp对象.

由于TimeSeries是Series的一个子类，所以在索引以及数据选曲方面他们的行为是一样的，但是我们还可以传入一个可以被解释为日期的字符串来进行索引:

对于较长的时间序列，只需传入年或年月即可轻松选取数据的切片:

通过日期进行切片的方式只对规则Series有效：

还有一个等价的实例方法也可以截取两个日期之间的TimeSeries:

DataFrame也同样适用上面的规则

pandas中的时间序列一般被认为是不规则的，也就是说，没有固定的频率，对于大部分程序而言，这是无所谓的，但是，他常常需要以某种相对固定的频率进行分析，比如每月，每日，每15min等。pandas有一套标准时间序列频率以及用于重采样，频率推断，生成固定频率日期范围的工具.

例如，我们可以将之前的时间序列转换为一个具有固定频率（每日）的时间序列，只需调用resample即可.返回DatetimeIndexResampler，获取值使用asfreq():

生成日期范围使用date_range函数

默认情况下，date_range会产生按天计算的时间点，如果只传入起始或结束日期，那就还得传入一个表示一段时间的数字:

如果你不想按天生成数据，想要按照一定的频率生成，我们传入freq参数即可.如想按5小时生成数据:

如果你想生成一个由每月最后一个工作日组成的日期索引，可以使用BM频率:

date_range默认会保留起始和结束的时间戳的时间信息，但是如果我们想产生一组规范化到午夜的时间戳，normalize选项可以实现这个功能:

WOM（week of Month）是一种非常实用的频率类，它以WOM开头，它使你能获得诸如每月第三个星期五之类的日期:

Q5: python中时间序列数据的一些处理方式

datetime.timedelta对象代表两个时间之间的时间差，两个date或datetime对象相减就可以返回一个timedelta对象。

利用以下数据进行说明：

如果我们发现时间相关内容的变量为int,float,str等类型，不方便后面的分析，就需要使用该函数转化为常用的时间变量格式：pandas.to_datetime

转换得到的时间单位如下：

如果时间序列格式不统一，pd.to_datetime()的处理方式：

当然，正确的转换是这样的：

第一步：to_datetime()

第二步：astype(datetime64[D]),astype(datetime64[M])

本例中：

order_dt_diff必须是Timedelta('0 days 00:00:00')格式，可能是序列使用了diff()

或者pct_change()。

前者往往要通过'/np.timedelta'去掉单位days。后者其实没有单位。

假如我们要统计某共享单车一天内不同时间点的用户使用数据，例如

还有其他维度的提取，年、月、日、周，参见：

Datetime properties

注意 ：.dt的对象必须为pandas.Series,而不可以是Series中的单个元素

关于python时间序列函数和的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。