pandas中实现时间序列相关数据集,pandas生成日期序列

　　本文主要介绍Pandas处理时间序列数据操作的详细说明。首先，文章使用了python自带的datetime库，通过调用这个库可以获取本地的时间扩展内容，有一定的参考价值，有需要的朋友可以参考一下。

　　00-1010前言一、采集时间二、时间索引三、时间流逝

目录

　　通常从数据库或日志文件中读取的数据都是有时间序列的，因此需要对时间序列进行分类归档，以便进行时间序列数据处理或实时分析。Pandas是处理这些数据的一个有用的工具包。本博客基于Jupyter进行演示。这篇博客的愿景是希望我或读者通过阅读这篇博客能够学到方法并应用于实践。希望读者看完后可以提出问题或看法，博主也会长期维护自己的博客，及时更新。纯分享，希望大家喜欢。

前言

　　Python附带了datetime库，可以调用它来获取本地时间。

　　从日期时间导入日期时间

　　datetime.now()

　　同时也可以独立获取年月日：

　　datetime.now()。天

　　datetime.now()。年

　　datetime.now()。蛾

　　isoweekday()获取符合ISO标准的指定日期所在的星期数：

　　datetime.now()。等工作日()

　　周二的。

　　但也有weekeday()方法，但它是从0开始的，也就是说0是星期一，需要加1才能变成周数：

　　datetime.now()。工作日()1

　　datetime可以将日期(date)和时间(time)分隔开：

　　datetime.now()。日期()

　　datetime.now()。时间()

　　也可以用timetuple()函数将整个时间拆分为结构体：

　　datetime.now()。时间线()

　　要转换为自定义熟悉的时间表达可以使用strftime()函数，其输出代码格式有以下几种：

　　datetime.now()。strftime(%Y-%m-%d )

　　datetime.now()。strftime( % m/% d/% Y % h :% m :% S )

一、获取时间

　　时间索引是根据数据的时间对时间序列数据进行处理，进行归档和筛选的一种索引方法。

　　展示数据：

　　首先检查类型是否为datetime类型，然后重置索引，否则需要将索引时间列转换为datetime类型后再进行设置。

　　df1 . set _ index( first _ order _ time )

　　若要查找2019年的数据，只需要在 后面加上日期即可：

　　df1[2019]

　　想要获取详细的日期的数据只需要在[]里面输入对应的日期即可：

　　df1[2019-05-13]

　　获取区间日期数据：

　　df1[2019-05-01 : 2019-05-13 ]

二、时间索引

　　如果时序数据提取出来时间并不符合对应时间戳，则可以使用timedelta进行推移时间：

　　Timedelta类表示为时差，可以直接实例化，也可以通过两个datetime相减得到。

　　可表示的时间差依次为：

　　天、秒、微秒、分钟、小时、周

　　如我们要推移一天时间：

　　日期=日期时间(2019，5，10)

　　日期时间增量(天数=1)

　　减去未来相应的天数就可以了。

　　与timedelta相比，date offset可以直接传递时间，不需要转换，效率比timedelta快很多。

　　引入库：

　　从pandas.tseries.offsets导入日、小时、分钟

　　日期日期(1)

　　计算结果为timestamp：

　　关于熊猫处理时间序列数据的详细说明，本文到此为止。有关熊猫时间序列的更多信息，请搜索热门IT软件开发工作室之前的文章或继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。