Pandas时间序列处理

文章目录

一、pd.to_datetime实现日期字符串转日期
二、pd.date_range生成日期序列
三、Series.dt对象
四、strftime函数格式化日期
五、时间差(dt.timedelta)
六、总结

本节我们介绍在处理日期时间时的一些常用的处理方法，以一份酒店入住数据为例进行讲解。pandas 用 Timestamp 表示时点数，在大多数情况下和 python 的 datetime 类型的使用方法是通用的。

首先读入数据:

data=pd.read_csv('data/hotel.csv')
data.head()

一、pd.to_datetime实现日期字符串转日期

api:pd.to_datetime(str) 字符串类型对象转换成日期类型对象

 In[]:data['入住日期'].dtype #查看'入住日期'列的类型  为object类型,即字符串对象
Out[]:dtype('O')

 In[]:data.loc[:,'入住日期']=pd.to_datetime(data['入住日期'])#将'入住日期'列抓换成日期型后赋给'入住日期'列data['入住日期'].dtype#再次输出'入住日期'列的类型  为日期型
Out[]:dtype('<M8[ns]')#日期类型

二、pd.date_range生成日期序列

api:pd.date_range(start=None, end=None, periods=None, freq=‘D’)
- start:起始日期,字符串
- end:终止日期,字符串
- periods:期数，取值为整数或None
- freq:频率或日期偏移量，取值为string或DateOffset，默认为’D’

该函数主要用于生成一个固定频率的时间索引，在调用构造方法时，必须指定start、end、periods中的两个参数值，否则报错。

In [12]: pd.date_range(start='20170101',end='20170110')
Out[12]:
DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04','2017-01-05', '2017-01-06', '2017-01-07', '2017-01-08','2017-01-09', '2017-01-10'],dtype='datetime64[ns]', freq='D')In [13]: pd.date_range(start='20170101',periods=10)
Out[13]:
DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04','2017-01-05', '2017-01-06', '2017-01-07', '2017-01-08','2017-01-09', '2017-01-10'],dtype='datetime64[ns]', freq='D')

常用频率和日期偏移量:

三、Series.dt对象

pandas 的 pandas.Series.dt 可以获得日期/时间类型的相关信息,返回值均为int型。比如:

data['入住日期'].dt.year  #获取年份
data['入住日期'].dt.month  #获取月份
data['入住日期'].dt.quarter  #获取季度

为数据表添加新列’入住月份’:

#提取data['入住日期']的月份信息并存到新的一列中
data.loc[:,'入住月份']=data['入住日期'].dt.month
data.head()

为数据表添加新列’in_weekday’:

#提取data['入住日期']的weekday信息并存到新的一列中
data.loc[:,'in_weekday']=data['入住日期'].dt.weekday
data.head()

pandas.Series.dt对象能够返回的信息有:

类别	解释
year	年
month	月
day	日
hour	时
minute	分钟
second	秒
date	返回日期
time	返回时间
dayofyear	年序日
weekofyear	年序周
week	周
dayofweek	周中的星期几，ex: Friday
quarter	季度
days_in_month	一个月中有多少天
is_month_start	是否月初第一天
is_month_end	是否月末最后一天
is_quarter_start	是否季度的最开始
is_quarter_end	是否季度的最后一个
is_year_start	是否年初第一天
is_year_end	是否年末第一天

四、strftime函数格式化日期

strftime函数实际上是datetime模块中的函数,并不是pandas中的成员,在实际工作中我们常用这种方式对日期进行格式化
- api:datetime.strftime(date,format_str)
  - date:需要格式化的日期
  - format_str:格式化字符串
- 例如:我们需要提取’入住日期’的年份和月份组成一个新的列:

#首先需要引入datetime模块
from datetime import datetime
#配合apply函数
data.loc[:,'入住年月']=data['入住日期'].apply(lambda x:datetime.strftime(x,"%Y-%m"))
data.head()

常用格式字符串介绍:

Series.dt.to_period 另一种方法

data.loc[:,'入住年月2']= data['入住日期'].dt.to_period('M')
data.head()

第二种方法使用起来更加简单，参数 M 表示月份，Q 表示季度，A 表示年度，D 表示按天，这几个参数比较常用。

五、时间差(dt.timedelta)

时间差(dt.timedelta)是时间上的差异，以不同的单位来表示。例如：日，小时，分钟，秒。它们可以是正值，可正可负;大多数情况下可与datetime.timedelta互换,一般用来表示两个日期之间的差距。

例如:我们想获取客人的入住天数:

data.loc[:,'离店日期']=pd.to_datetime(data['离店日期']) #将'离店日期'列转换成日期格式
data['离店日期']-data['入住日期']#离店日期-入住日期

结果是一个timedelta类型的Series,并不是我们希望得到的天数,我们还需要访问timedelta对象的属性来提取天数

time=data['离店日期']-data['入住日期']
data.loc[:,'入住天数']=time.dt.days#通过访问timedelta.dt对象的days属性拿到天数
data.head()

timedelta对象有属性：days、seconds、microseconds

六、总结

pd.to_datetime(str) 【掌握】
pd.date_range(start=None, end=None, periods=None, freq=‘D’)【知道】
- start:起始日期字符串
- end:终止日期,字符串
- periods:期数，取值为整数或None
- freq:频率或日期偏移量，取值为string或DateOffset，默认为’D’
- 必须指定start、end、periods中的两个参数值，否则报错
Series.dt对象【掌握】
- data[‘入住日期’].dt.year #获取年份
- data[‘入住日期’].dt.month #获取月份
- data[‘入住日期’].dt.quarter #获取季度
datetime.strftime(date,format_str)【掌握】
- date:需要格式化的日期
- format_str:格式化字符串
(data[‘离店日期’]-data[‘入住日期’]).dt.days【知道】

Pandas时间序列处理相关推荐

EduCoder Pandas高效化运算与时间序列处理第3关：Pandas时间序列的高级应用
文章目录任务描述相关知识时间频率与偏移量重新取样.迁移和窗口重新取样时间迁移移动时间窗口编程要求测试说明任务描述根据相关知识完成下列任务: 求上个季度(仅含工作日)的平均值: 求 ...
Pandas 时间序列 - DateOffset 对象
点击上方"Python爬虫与数据挖掘",进行关注回复"书籍"即可获赠Python从入门到进阶共10本电子书今日鸡汤国亡身殒今何有,只留离骚在世间. ...
Pandas 时间序列 - 实例方法与重采样
呆鸟云:"数据分析就像是夜里行军,业务是灯塔,是地图,没灯塔你不知道方向,没地图你不知道该怎么走.技术是你的交通工具,你用11路,还是骑自行车,还是开跑车,交通工具越好,你实现目标的速度越快 ...
Pandas时间序列：rolling 用法快速理解
相信初学Pandas时间序列时,会遇到rolling函数,不知道该怎么理解,对吧? 让我们用最简单的例子来说明吧. 代码如下: import pandas as pd # 导入 pandas inde ...
pandas 时间序列的优化转化
pandas 时间序列的优化转化 #!/usr/bin/env Python3 __author__ = '未昔/angelfate' __date__ = '2019/7/26 9:58' # -* ...
Pandas 时间序列 - 纵览与时间戳
点击上方"Python爬虫与数据挖掘",进行关注回复"书籍"即可获赠Python从入门到进阶共10本电子书今日鸡汤一身报国有万死,双鬓向人无再青. ...
python画双折线图-Python Pandas 时间序列双轴折线图
时间序列pv-gmv双轴折线图 import numpy as np import pandas as pd import matplotlib.pyplot as plt n = 12 date_s ...
python处理时间序列_Python——Pandas 时间序列数据处理
介绍 Pandas 是非常著名的开源数据处理库,我们可以通过它完成对数据集进行快速读取.转换.过滤.分析等一系列操作.同样,Pandas 已经被证明为是非常强大的用于处理时间序列数据的工具.本节将介绍 ...
Pandas时间序列进阶（日期范围，频率，移位,时区处理）
日期范围生成日期范围:pd.date_range()方法用于根据特定频率生成指定长度的DatetimeIndex pd.date_range(start=None,end=None,periods= ...
Pandas时间序列数据处理和datetime模块详细教程
时间序列分析中,常常需要处理时间相关数据,故参考<Python for Data Analysis>总结了Python和Pandas常用的时间序列数据处理的相关操作,并在 Python3. ...

Pandas时间序列处理

文章目录

一、pd.to_datetime实现日期字符串转日期

二、pd.date_range生成日期序列

三、Series.dt对象

四、strftime函数格式化日期

五、时间差(dt.timedelta)

六、总结

Pandas时间序列处理相关推荐

最新文章

热门文章

Pandas时间序列处理

文章目录

一、pd.to_datetime实现日期字符串转日期

二、pd.date_range生成日期序列

三、Series.dt对象

四、strftime函数格式化日期

五、 时间差(dt.timedelta)

六、总结

Pandas时间序列处理相关推荐

最新文章

热门文章

五、时间差(dt.timedelta)