在零售、經(jīng)濟(jì)和金融等行業(yè)，數(shù)據(jù)總是由于貨幣和銷售而不斷變化，生成的所有數(shù)據(jù)都高度依賴于時(shí)間。如果這些數(shù)據(jù)沒(méi)有時(shí)間戳或標(biāo)記，實(shí)際上很難管理所有收集的數(shù)據(jù)。Python 程序允許我們使用 NumPy timedelta64 和 datetime64 來(lái)操作和檢索時(shí)間序列數(shù)據(jù)。sklern庫(kù)中也提供時(shí)間序列功能，但 Pandas 為我們提供了更多且好用的函數(shù)。

Pandas 庫(kù)中有四個(gè)與時(shí)間相關(guān)的概念

• 日期時(shí)間：日期時(shí)間表示特定日期和時(shí)間及其各自的時(shí)區(qū)。它在 pandas 中的數(shù)據(jù)類型是 datetime64[ns] 或 datetime64[ns, tz]。
• 時(shí)間增量：時(shí)間增量表示時(shí)間差異，它們可以是不同的單位。示例：“天、小時(shí)、減號(hào)”等。換句話說(shuō)，它們是日期時(shí)間的子類。
• 時(shí)間跨度：時(shí)間跨度被稱為固定周期內(nèi)的相關(guān)頻率。時(shí)間跨度的數(shù)據(jù)類型是 period[freq]。
• 日期偏移：日期偏移有助于從當(dāng)前日期計(jì)算選定日期，日期偏移量在 pandas 中沒(méi)有特定的數(shù)據(jù)類型。

時(shí)間序列分析至關(guān)重要，因?yàn)樗鼈兛梢詭椭覀兞私怆S著時(shí)間的推移影響趨勢(shì)或系統(tǒng)模式的因素。在數(shù)據(jù)可視化的幫助下，分析并做出后續(xù)決策。

現(xiàn)在讓我們看幾個(gè)使用這些函數(shù)的例子

1、查找特定日期的某一天的名稱

import pandas as pd
day = pd.Timestamp(‘2021/1/5')
day.day_name()

上面的程序是顯示特定日期的名稱。第一步是導(dǎo)入 panda 的并使用 Timestamp 和 day_name 函數(shù)。“Timestamp”功能用于輸入日期，“day_name”功能用于顯示指定日期的名稱。

2、執(zhí)行算術(shù)計(jì)算

import pandas as pd

day = pd.Timestamp(‘2021/1/5')
day1 = day + pd.Timedelta(“3 day”)
day1.day_name()

day2 = day1 + pd.offsets.BDay()
day2.day_name()

在第一個(gè)代碼中，顯示三天后日期名稱。“Timedelta”功能允許輸入任何天單位（天、小時(shí)、分鐘、秒）的時(shí)差。

在第二個(gè)代碼中，使用“offsets.BDay()”函數(shù)來(lái)顯示下一個(gè)工作日。換句話說(shuō)，這意味著在星期五之后，下一個(gè)工作日是星期一。

3、使用時(shí)區(qū)信息來(lái)操作轉(zhuǎn)換日期時(shí)間

獲取時(shí)區(qū)的信息

import pandas as pd
import numpy as np
from datetime import datetime

dat_ran = dat_ran.tz_localize(“UTC”)
dat_ran

轉(zhuǎn)換為美國(guó)時(shí)區(qū)

dat_ran.tz_convert(“US/Pacific”)

代碼的目標(biāo)是更改日期的時(shí)區(qū)。首先需要找到當(dāng)前時(shí)區(qū)。這是“tz_localize()”函數(shù)完成的。我們現(xiàn)在知道當(dāng)前時(shí)區(qū)是“UTC”。使用“tz_convert()”函數(shù)，轉(zhuǎn)換為美國(guó)/太平洋時(shí)區(qū)。

4、使用日期時(shí)間戳

import pandas as pd
import numpy as np
from datetime import datetime
dat_ran = pd.date_range(start = ‘1/1/2021', end = ‘1/5/2021', freq = ‘Min')

print(type(dat_ran[110]))

5、創(chuàng)建日期系列

import pandas as pd
import numpy as np
from datetime import datetime
dat_ran = pd.date_range(start = ‘1/1/2021', end = ‘1/5/2021', freq = ‘Min')

print(dat_ran)

上面的代碼生成了一個(gè)日期系列的范圍。使用“date_range”函數(shù)，輸入開(kāi)始和結(jié)束日期，可以獲得該范圍內(nèi)的日期。

6、操作日期序列

import pandas as pd
from datetime import datetime
import numpy as np

dat_ran = pd.date_range(start ='1/1/2019', end ='1/08/2019',freq ='Min')
df = pd.DataFrame(dat_ran, columns =[‘date'])
df[‘data'] = np.random.randint(0, 100, size =(len(dat_ran)))
print(df.head(5))

在上面的代碼中，使用“DataFrame”函數(shù)將字符串類型轉(zhuǎn)換為dataframe。最后“np.random.randint()”函數(shù)是隨機(jī)生成一些假定的數(shù)據(jù)。

7、使用時(shí)間戳數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行切片

import pandas as pd
from datetime import datetime
import numpy as np
dat_ran = pd.date_range(start ='1/1/2019', end ='1/08/2019', freq ='Min')

df = pd.DataFrame(dat_ran, columns =[‘date'])
df[‘data'] = np.random.randint(0, 100, size =(len(dat_ran)))
string_data = [str(x) for x in dat_ran]

print(string_data[1:5])

上面代碼是是第6條的的延續(xù)。在創(chuàng)建dataframe并將其映射到隨機(jī)數(shù)后，對(duì)列表進(jìn)行切片。

最后總結(jié)，本文通過(guò)示例演示了時(shí)間序列和日期函數(shù)的所有基礎(chǔ)知識(shí)。建議參考本文中的內(nèi)容并嘗試pandas中的其他日期函數(shù)進(jìn)行更深入的學(xué)習(xí)，因?yàn)檫@些函數(shù)在我們實(shí)際工作中非常的重要。

以上就是Pandas中常用的七個(gè)時(shí)間戳處理函數(shù)使用總結(jié)的詳細(xì)內(nèi)容，更多關(guān)于Pandas時(shí)間戳處理函數(shù)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論