資料分析工具：Pandas（2）

一，時間子產品：datetime

datetime.date()

日期對象（年月日）

import datetime

today = datetime.date.today()
print(today,type(today))
print(str(today),type(str(today)))
# datetime.date.today 傳回今日
# 輸出格式為 date類

t = datetime.date(2016,6,1)
print(t)
# (年，月，日) → 直接得到當時日期

datetime.datetime.now()

目前時間日期對象(年，月，日，時，分，秒)，自定義時間日期

# datetime.datetime：datetime對象

now = datetime.datetime.now()
print(now,type(now))
print(str(now),type(str(now))) 
# .now()方法，輸出目前時間
# 輸出格式為 datetime類
# 可通過str()轉化為字元串

t1 = datetime.datetime(2016,6,1)
t2 = datetime.datetime(2014,1,1,12,44,33)
print(t1,t2)
# (年，月，日，時，分，秒)，至少輸入年月日

t2-t1
# 相減得到時間差 —— timedelta

datetime.timedelta：時間差

today = datetime.datetime.today()  # datetime.datetime也有today()方法
yestoday = today - datetime.timedelta(1)  # 
print(today)
print(yestoday)
print(today - datetime.timedelta(7))
# 時間差主要用作時間的加減法，相當于可被識别的時間“內插補點” 
timedelta(days=0, seconds=0, microseconds=0, milliseconds=0, minutes=0, hours=0, weeks=0)

parser.parse()

：日期字元串轉換

from dateutil.parser import parse
date = '12-21-2017'
t = parse(date)
print(t,type(t))
# 直接将str轉化成datetime.datetime

print(parse('2000-1-1'),'\n',
     parse('5/1/2014'),'\n',
     parse('5/1/2014', dayfirst = True),'\n',  # 國際通用格式中，日在月之前，可以通過dayfirst來設定
     parse('22/1/2014'),'\n',
     parse('Jan 31, 1997 10:45 PM'))
# 各種格式可以解析，但無法支援中文

二，，Pandas時刻資料：Timestamp

時刻資料代表時間點，是pandas的資料類型，是将值與時間點相關聯的最基本類型的時間序列資料

pd.Timestamp()

通過該方法生成pandas裡面的時刻資料（Timestamp）

date1 = datetime.datetime(2016,12,1,12,45,30)  # 建立一個datetime.datetime
date2 = '2017-12-21'  # 建立一個字元串

t1 = pd.Timestamp(date1)
t2 = pd.Timestamp(date2)
# 字元串類型和datetime類型的資料轉換成Pandas的時刻資料[pd.Timestamp.timestamp(p1)-->轉換時間戳]
print(t1, type(t1))
print(t2，type(t1))
print(pd.Timestamp('2017-12-21 15:00:22'), type(pd.Timestamp('2017-12-21 15:00:22')))
# 直接生成pandas的時刻資料
# 資料類型為 pandas的Timestamp

2016-12-01 12:45:30 <class 'pandas._libs.tslibs.timestamps.Timestamp'>
2017-12-21 00:00:00 <class 'pandas._libs.tslibs.timestamps.Timestamp'>
2017-12-21 15:00:22 <class 'pandas._libs.tslibs.timestamps.Timestamp'>

pd.to_datetime

多個資料轉換成Pandas裡面的時刻資料（Timestamp）

from datetime import datetime
date1 = datetime(2019, 12, 1, 12, 12)
date2 = '2018-12-01-12-12-0'

t1 = pd.to_datetime(date1)
t2 = pd.to_datetime(date2)
print(t1, type(t1))
print(t1, type(t2))
# pd.to_datetime()：如果是單個時間資料，轉換成pandas的時刻資料，資料類型為Timestamp

list_date = ['2011/12/1', '2012-12-1', '2013,12,1']
t3 = pd.to_datetime(list_date)
print(t3, type(t3))
# 多個時間資料，将會轉換為pandas的DatetimeIndex(時間序列)

2019-12-01 12:12:00 <class 'pandas._libs.tslibs.timestamps.Timestamp'>
2019-12-01 12:12:00 <class 'pandas._libs.tslibs.timestamps.Timestamp'>
DatetimeIndex(['2011-12-01', '2012-12-01', '2013-01-01'], dtype='datetime64[ns]', freq=None) <class 'pandas.core.indexes.datetimes.DatetimeIndex'>

pd.to_datetime

補充

# pd.to_datetime → 多個時間資料轉換時間戳索引
from datetime import datetime
date1 = [datetime(2015,6,1),datetime(2015,7,1),datetime(2015,8,1),datetime(2015,9,1),datetime(2015,10,1)]
date2 = ['2017-2-1','2017-2-2','2017-2-3','2017-2-4','2017-2-5','2017-2-6']
print(date1)
print(date2)
t1 = pd.to_datetime(date2)
t2 = pd.to_datetime(date2)
print(t1)
print(t2)
print('-------------------------------')
# 多個時間資料轉換為 DatetimeIndex

date3 = ['2017-2-1','2017-2-2','2017-2-3','hello world!','2017-2-5','2017-2-6']
t3 = pd.to_datetime(date3, errors = 'ignore')
print(t3,type(t3))
print('--------------------------------')
# 當一組時間序列中夾雜其他格式資料，可用errors參數傳回
# errors = 'ignore':不可解析時傳回原始輸入，生成一般數組，裡面的正常的值是Timestamp

t4 = pd.to_datetime(date3, errors = 'coerce')
print(t4,type(t4))
# errors = 'coerce':不可解析時傳回缺失值NaT（Not a Time），結果認為DatetimeIndex

[datetime.datetime(2015, 6, 1, 0, 0), datetime.datetime(2015, 7, 1, 0, 0), datetime.datetime(2015, 8, 1, 0, 0), datetime.datetime(2015, 9, 1, 0, 0), datetime.datetime(2015, 10, 1, 0, 0)]
['2017-2-1', '2017-2-2', '2017-2-3', '2017-2-4', '2017-2-5', '2017-2-6']
DatetimeIndex(['2017-02-01', '2017-02-02', '2017-02-03', '2017-02-04',
               '2017-02-05', '2017-02-06'],
              dtype='datetime64[ns]', freq=None)
DatetimeIndex(['2017-02-01', '2017-02-02', '2017-02-03', '2017-02-04',
               '2017-02-05', '2017-02-06'],
              dtype='datetime64[ns]', freq=None)
-------------------------------
Index(['2017-2-1', '2017-2-2', '2017-2-3', 'hello world!', '2017-2-5',
       '2017-2-6'],
      dtype='object') <class 'pandas.core.indexes.base.Index'>
--------------------------------
DatetimeIndex(['2017-02-01', '2017-02-02', '2017-02-03', 'NaT', '2017-02-05',
               '2017-02-06'],
              dtype='datetime64[ns]', freq=None) <class 'pandas.core.indexes.datetimes.DatetimeIndex'>

三，Pandas時間戳索引：DatetimeIndex

pd.DatetimeIndex()與TimeSeries()時間序列

rng = pd.DatetimeIndex(['12/1/2017',
                        '12/2/2017',
                        '12/3/2017',
                        '12/4/2017',
                        '12/5/2017'])
print(rng,type(rng))
print(rng[0], type(rng[0]))				# DatetimeIndex類型
print('---------------------------')
# 直接生成時間戳索引，[]裡支援str字元串、datetime.datetime類型
# 單個時刻資料為Timestamp，多個時刻資料為DatetimeIndex

st = pd.Series(np.random.rand(5), index = rng)
print(st,type(st))		# TimeSsries類型，以DatetimeIndex為Index的Series
print(st.index)
# 以DatetimeIndex為index的Series，為TimeSsries，時間序列

DatetimeIndex(['2017-12-01', '2017-12-02', '2017-12-03', '2017-12-04',
               '2017-12-05'],
              dtype='datetime64[ns]', freq=None) <class'pandas.tseries.index.DatetimeIndex'>
2017-12-01 00:00:00 <class 'pandas.tslib.Timestamp'>
---------------------------
2017-12-01    0.837612
2017-12-02    0.539392
2017-12-03    0.100238
2017-12-04    0.285519
2017-12-05    0.939607
dtype: float64 <class 'pandas.core.series.Series'>
DatetimeIndex(['2017-12-01', '2017-12-02', '2017-12-03', '2017-12-04',
               '2017-12-05'],
              dtype='datetime64[ns]', freq=None)

pd.date_range()

-日期範圍：生成日期範圍

# 2種生成方式：①start + end； ②start/end + periods
# 預設頻率：day
rng1 = pd.date_range('1999-12-1 12:12', '2019-12-1', normalize=True)
rng2 = pd.date_range('19991201', periods=5)
rng3 = pd.date_range(end='21091201 12:12:30', periods=10)
print(rng1)
print(rng2)
print(rng3)
print('---------------------------------')
# 直接生成DatetimeIndex
# pd.date_range(start=None, end=None, periods=None, freq='D', tz=None, normalize=False, name=None, closed=None, **kwargs)
# start：開始時間
# end：結束時間
# periods：增長數(一共産生幾個時刻資料)
# freq：頻率，預設天，pd.date_range()預設頻率為月曆日，pd.bdate_range()預設頻率為工作日
# tz：時區
# normalize：時間參數值正則化到午夜時間戳（這裡的12:12輸出時就直接變成0:00:00）

print(pd.date_range('20170101','20170104'))
print(pd.date_range('20170101','20170104',closed = 'right'))
print(pd.date_range('20170101','20170104',closed = 'left'))
# close()左右的閉合，等于right時左開又閉，等于left時左閉右開，預設None左右閉閉合
print('---------------------------------')

print(pd.bdate_range('20170101','20170107'))
# pd.bdate_range()預設頻率為工作日

print(list(pd.date_range(start = '1/1/2017', periods = 5)))
# 直接轉化為list，元素為Timestamp

pd.date_range()-日期範圍：頻率(1)

# pd.date_range()-日期範圍：頻率(1)

print(pd.date_range('2017/1/1','2017/1/4'))  # 預設freq = 'D'：每月曆日
print(pd.date_range('2017/1/1','2017/1/4', freq = 'B'))  # B：每工作日(=bdate)
print(pd.date_range('2017/1/1','2017/1/2', freq = 'H'))  # H：每小時
print(pd.date_range('2017/1/1 12:00','2017/1/1 12:10', freq = 'T'))  # T/MIN：每分
print(pd.date_range('2017/1/1 12:00:00','2017/1/1 12:00:10', freq = 'S'))  # S：每秒
print(pd.date_range('2017/1/1 12:00:00','2017/1/1 12:00:10', freq = 'L'))  # L：每毫秒（千分之一秒）
print(pd.date_range('2017/1/1 12:00:00','2017/1/1 12:00:10', freq = 'U'))  # U：每微秒（百萬分之一秒）

print(pd.date_range('2017/1/1','2017/2/1', freq = 'W-MON'))  
# W-MON：從指定星期幾開始算起，每周
# 星期幾縮寫：MON/TUE/WED/THU/FRI/SAT/SUN

print(pd.date_range('2017/1/1','2017/5/1', freq = 'WOM-2MON'))  
# WOM-2MON：每月的第幾個星期幾開始算，這裡是每月第二個星期一

pd.date_range()-日期範圍：頻率(2)

# pd.date_range()-日期範圍：頻率(2)

print(pd.date_range('2017','2018', freq = 'M'))  
print(pd.date_range('2017','2020', freq = 'Q-DEC'))  
print(pd.date_range('2017','2020', freq = 'A-DEC')) 
print('------')
# M：每月最後一個月曆日
# Q-月：指定（DEC）月為季度末，每個季度末最後一月的最後一個月曆日
# A-月：每年指定月份的最後一個月曆日
# 月縮寫：JAN/FEB/MAR/APR/MAY/JUN/JUL/AUG/SEP/OCT/NOV/DEC
# 是以Q-月隻有三種情況：1-4-7-10,2-5-8-11,3-6-9-12

print(pd.date_range('2017','2018', freq = 'BM'))  
print(pd.date_range('2017','2020', freq = 'BQ-DEC'))  
print(pd.date_range('2017','2020', freq = 'BA-DEC')) 
print('------')
# BM：每月最後一個工作日
# BQ-月：指定月為季度末，每個季度末最後一月的最後一個工作日
# BA-月：每年指定月份的最後一個工作日

print(pd.date_range('2017','2018', freq = 'MS'))  
print(pd.date_range('2017','2020', freq = 'QS-DEC'))  
print(pd.date_range('2017','2020', freq = 'AS-DEC')) 
print('------')
# M：每月第一個月曆日
# Q-月：指定月為季度末，每個季度末最後一月的第一個月曆日
# A-月：每年指定月份的第一個月曆日

print(pd.date_range('2017','2018', freq = 'BMS'))  
print(pd.date_range('2017','2020', freq = 'BQS-DEC'))  
print(pd.date_range('2017','2020', freq = 'BAS-DEC')) 
# BM：每月第一個工作日
# BQ-月：指定月為季度末，每個季度末最後一月的第一個工作日
# BA-月：每年指定月份的第一個工作日

pd.date_range()-日期範圍：複合頻率

print(pd.date_range('2017/1/1','2017/2/1', freq = '7D'))  # 7天
print(pd.date_range('2017/1/1','2017/1/2', freq = '2h30min'))  # 2小時30分鐘
print(pd.date_range('2017','2018', freq = '2M'))  # 2月，每月最後一個月曆日

DatetimeIndex(['2017-01-01', '2017-01-08', '2017-01-15', '2017-01-22',
               '2017-01-29'],
              dtype='datetime64[ns]', freq='7D')
DatetimeIndex(['2017-01-01 00:00:00', '2017-01-01 02:30:00',
               '2017-01-01 05:00:00', '2017-01-01 07:30:00',
               '2017-01-01 10:00:00', '2017-01-01 12:30:00',
               '2017-01-01 15:00:00', '2017-01-01 17:30:00',
               '2017-01-01 20:00:00', '2017-01-01 22:30:00'],
              dtype='datetime64[ns]', freq='150T')
DatetimeIndex(['2017-01-31', '2017-03-31', '2017-05-31', '2017-07-31',
               '2017-09-30', '2017-11-30'],
              dtype='datetime64[ns]', freq='2M')

asfreq：時期頻率轉換

ts = pd.Series(np.random.rand(4),
              index = pd.date_range('20170101','20170104'))
print(ts)
print(ts.asfreq('4H',method = 'ffill'))
# 改變頻率，這裡是D改為4H
# method：插值模式，None不插值，ffill用之前值填充，bfill用之後值填充

2017-01-01    0.945391
2017-01-02    0.656020
2017-01-03    0.295795
2017-01-04    0.318078
Freq: D, dtype: float64
2017-01-01 00:00:00    0.945391
2017-01-01 04:00:00    0.945391
2017-01-01 08:00:00    0.945391
2017-01-01 12:00:00    0.945391
2017-01-01 16:00:00    0.945391
2017-01-01 20:00:00    0.945391
2017-01-02 00:00:00    0.656020
2017-01-02 04:00:00    0.656020
2017-01-02 08:00:00    0.656020
2017-01-02 12:00:00    0.656020
2017-01-02 16:00:00    0.656020
2017-01-02 20:00:00    0.656020
2017-01-03 00:00:00    0.295795
2017-01-03 04:00:00    0.295795
2017-01-03 08:00:00    0.295795
2017-01-03 12:00:00    0.295795
2017-01-03 16:00:00    0.295795
2017-01-03 20:00:00    0.295795
2017-01-04 00:00:00    0.318078
Freq: 4H, dtype: float64

pd.date_range()-日期範圍：超前/滞後資料

ts = pd.Series(np.random.rand(4),
              index = pd.date_range('20170101','20170104'))
print(ts)
print('------')

print(ts.shift(2))
print(ts.shift(-2))
print(ts)
print('------')
# 正數：數值後移（滞後）；負數：數值前移（超前）,不改變原來的資料

per = ts/ts.shift(1) - 1
print(per)
print('------')
# 計算變化百分比，這裡計算：該時間戳與上一個時間戳相比，變化百分比

print(ts.shift(2, freq = 'D'))
print(ts.shift(2, freq = 'T'))
# 加上freq參數：對時間戳進行位移，而不是對數值進行位移

四，Pandas時期：Period

pd.Period()

建立時期

p = pd.Period('2017', freq = 'M')
print(p, type(p))
# 生成一個以2017-01開始，月為頻率的時間構造器
# pd.Period()參數：一個時間戳 + freq 參數 → freq 用于指明該 period 的長度，時間戳則說明該 period 在時間軸上的位置

print(p + 1)
print(p - 2)
# 通過加減整數，将周期整體按月移動移動
# 這裡是按照 月、年 移動

2017-01 <class 'pandas._libs.tslibs.period.Period'>
2017-02
2016-11

pd.period_range()

建立時期範圍

prng = pd.period_range('1/1/2011', '1/1/2012', freq='M')
print(prng,type(prng))
print(prng[0],type(prng[0]))
# 資料格式為PeriodIndex，單個數值為Period

ts = pd.Series(np.random.rand(len(prng)), index = prng)
print(ts,type(ts))
print(ts.index)
# 時間序列

# Period('2011', freq = 'A-DEC')可以看成多個時間期的時間段中的遊标
# Timestamp表示一個時間戳，是一個時間截面；Period是一個時期，是一個時間段！！但兩者作為index時差別不大

PeriodIndex(['2011-01', '2011-02', '2011-03', '2011-04', '2011-05', '2011-06',
             '2011-07', '2011-08', '2011-09', '2011-10', '2011-11', '2011-12',
             '2012-01'],
            dtype='int64', freq='M') <class 'pandas.tseries.period.PeriodIndex'>
2011-01 <class 'pandas._period.Period'>
2011-01    0.342571
2011-02    0.826151
2011-03    0.370505
2011-04    0.137151
2011-05    0.679976
2011-06    0.265928
2011-07    0.416502
2011-08    0.874078
2011-09    0.112801
2011-10    0.112504
2011-11    0.448408
2011-12    0.851046
2012-01    0.370605
Freq: M, dtype: float64 <class 'pandas.core.series.Series'>
PeriodIndex(['2011-01', '2011-02', '2011-03', '2011-04', '2011-05', '2011-06',
             '2011-07', '2011-08', '2011-09', '2011-10', '2011-11', '2011-12',
             '2012-01'],
            dtype='int64', freq='M')

asfreq：頻率轉換

p = pd.Period('2017','A-DEC')
print(p)
print(p.asfreq('M', how = 'start'))  # 也可寫 how = 's'
print(p.asfreq('D', how = 'end'))  # 也可寫 how = 'e'
# 通過.asfreq(freq, method=None, how=None)方法轉換成别的頻率

prng = pd.period_range('2017','2018',freq = 'M')
ts1 = pd.Series(np.random.rand(len(prng)), index = prng)
ts2 = pd.Series(np.random.rand(len(prng)), index = prng.asfreq('D', how = 'start'))
print(ts1.head(),len(ts1))
print(ts2.head(),len(ts2))
# asfreq也可以轉換TIMESeries的index

2017
2017-01
2017-12-31
2017-01    0.060797
2017-02    0.441994
2017-03    0.971933
2017-04    0.000334
2017-05    0.545191
Freq: M, dtype: float64 13
2017-01-01    0.447614
2017-02-01    0.679438
2017-03-01    0.891729
2017-04-01    0.949993
2017-05-01    0.942548
Freq: D, dtype: float64 13

時間戳與時期之間的轉換：

pd.to_period()、pd.to_timestamp()

rng = pd.date_range('2017/1/1', periods = 10, freq = 'M')
prng = pd.period_range('2017','2018', freq = 'M')

ts1 = pd.Series(np.random.rand(len(rng)), index = rng)
print(ts1.head())
print(ts1.to_period().head())
# 每月最後一日，轉化為每月，D和M的差別就是每個月第一天和最後一天

ts2 = pd.Series(np.random.rand(len(prng)), index = prng)
print(ts2.head())
print(ts2.to_timestamp().head())
# 每月，轉化為每月第一天

2017-01-31    0.125288
2017-02-28    0.497174
2017-03-31    0.573114
2017-04-30    0.665665
2017-05-31    0.263561
Freq: M, dtype: float64
2017-01    0.125288
2017-02    0.497174
2017-03    0.573114
2017-04    0.665665
2017-05    0.263561
Freq: M, dtype: float64
2017-01    0.748661
2017-02    0.095891
2017-03    0.280341
2017-04    0.569813
2017-05    0.067677
Freq: M, dtype: float64
2017-01-01    0.748661
2017-02-01    0.095891
2017-03-01    0.280341
2017-04-01    0.569813
2017-05-01    0.067677
Freq: MS, dtype: float64

五，時間序列 - 索引及切片

TimeSeries是Series的一個子類，是以Series索引及資料選取方面的方法基本一樣

同時TimeSeries通過時間序列有更便捷的方法做索引和切片

索引

from datetime import datetime

rng = pd.date_range('2017/1','2017/3')
ts = pd.Series(np.random.rand(len(rng)), index = rng)
print(ts.head())

print(ts[0])
print(ts[:2])
print('-----')
# 基本下标位置索引

print(ts['2017/1/2'])
print(ts['20170103'])
print(ts['1/10/2017'])
print(ts[datetime(2017,1,20)])
print('-----')
# 時間序列标簽索引，支援各種時間字元串，以及datetime.datetime

# 時間序列由于按照時間先後排序，故不用考慮下标順序問題
# 索引方法同樣适用于Dataframe

切片

rng = pd.date_range('2017/1','2017/3',freq = '12H')
ts = pd.Series(np.random.rand(len(rng)), index = rng)

print(ts['2017/1/5':'2017/1/10'])
print('-----')
# 和Series按照index索引原理一樣，也是末端包含

print(ts['2017/2'].head())
# 傳入月，直接得到一個切片

重複索引的時間序列

dates = pd.DatetimeIndex(['1/1/2015','1/2/2015','1/3/2015','1/4/2015','1/1/2015','1/2/2015'])
ts = pd.Series(np.random.rand(6), index = dates)
print(ts)
print(ts.is_unique,ts.index.is_unique)
print('-----')
# index有重複，is_unique檢查 → 判斷ts裡的values是否唯一，判斷ts裡的index是否唯一
# 通過is_unique來做判斷

print(ts['20150101'],type(ts['20150101']))
print(ts['20150104'],type(ts['20150104']))
print('-----')
# index有重複的将傳回多個值

print(ts.groupby(level = 0).mean())
# 通過groupby做分組，重複的值這裡用平均值處理
# level是以第0個為标準

2015-01-01    0.300286
2015-01-02    0.603865
2015-01-03    0.017949
2015-01-04    0.026621
2015-01-01    0.791441
2015-01-02    0.526622
dtype: float64
True False
-----
2015-01-01    0.300286
2015-01-01    0.791441
dtype: float64 <class 'pandas.core.series.Series'>
2015-01-04    0.026621
dtype: float64 <class 'pandas.core.series.Series'>
-----
2015-01-01    0.545863
2015-01-02    0.565244
2015-01-03    0.017949
2015-01-04    0.026621
dtype: float64

六，時間序列 - 重采樣

重采樣：将時間序列從一個頻率轉換為另一個頻率的過程，且會有資料的結合

降采樣：高頻資料 → 低頻資料，eg.以天為頻率的資料轉為以月為頻率的資料

升采樣：低頻資料 → 高頻資料，eg.以年為頻率的資料轉為以月為頻率的資料

重采樣：

.resample()

rng = pd.date_range('20170101', periods = 12)
ts = pd.Series(np.random.rand(12), index = rng)	# 建立以時間序列為index的Series
print(ts)
print('-------------')

ts_re = ts.resample('5D')			# 進行一個以5天為一個頻率的時間重采樣
ts_re = ts.resample('5D').sum
print(ts_re)
print(ts_re.ohlc())
# ts.resample('5D')：得到一個重采樣建構器，頻率改為5天
# ts.resample('5D').sum():得到一個新的聚合後的Series，聚合方式為求和
# freq：重采樣頻率 → ts.resample('5D')
# .sum()：聚合方法

print(ts.resample('5D').mean(),'→ 求平均值\n')
print(ts.resample('5D').max(),'→ 求最大值\n')
print(ts.resample('5D').min(),'→ 求最小值\n')
print(ts.resample('5D').median(),'→ 求中值\n')
print(ts.resample('5D').first(),'→ 傳回第一個值\n')
print(ts.resample('5D').last(),'→ 傳回最後一個值\n')
print(ts.resample('5D').ohlc(),'→ OHLC重采樣\n')
# OHLC:金融領域的時間序列聚合方式 → open開盤、high最大值、low最小值、close收盤

降采樣

rng = pd.date_range('20170101', periods = 12)
ts = pd.Series(np.arange(1,13), index = rng)
print(ts)

print(ts.resample('5D').sum(),'→ 預設\n')
print(ts.resample('5D', closed = 'left').sum(),'→ left\n')
print(ts.resample('5D', closed = 'right').sum(),'→ right\n')
print('-----')
# closed：各時間段哪一端是閉合（即包含）的，預設 左閉右閉
# 詳解：這裡values為0-11，按照5D重采樣 → [1,2,3,4,5],[6,7,8,9,10],[11,12]
# left指定間隔左邊為結束 → [1,2,3,4,5],[6,7,8,9,10],[11,12]
# right指定間隔右邊為結束 → [1],[2,3,4,5,6],[7,8,9,10,11],[12]

print(ts.resample('5D', label = 'left').sum(),'→ leftlabel\n')
print(ts.resample('5D', label = 'right').sum(),'→ rightlabel\n')
# label：聚合值的index，預設為取采集的樣本的最左邊index顯示
# 值采樣認為預設（這裡closed預設）

升采樣

rng = pd.date_range('2017/1/1 0:0:0', periods = 5, freq = 'H')
ts = pd.DataFrame(np.arange(15).reshape(5,3),
                  index = rng,
                  columns = ['a','b','c'])
print(ts)

print(ts.resample('15T').asfreq())
print(ts.resample('15T').ffill())
print(ts.resample('15T').bfill())
# 低頻轉高頻，主要是如何插值
# .asfreq()：不做填充，傳回Nan
# .ffill()：向上填充
# .bfill()：向下填充

時期重采樣 - Period

prng = pd.period_range('2016','2017',freq = 'M')
ts = pd.Series(np.arange(len(prng)), index = prng)
print(ts)

print(ts.resample('3M').sum())  # 降采樣
print(ts.resample('15D').ffill())  # 升采樣

資料分析工具：Pandas（2）

一，時間子產品：datetime

二，，Pandas時刻資料：Timestamp

三，Pandas時間戳索引：DatetimeIndex

四，Pandas時期：Period

五，時間序列 - 索引及切片

六，時間序列 - 重采樣

繼續閱讀

資料分析手冊-numpy數組(1)

python資料分析_使用Python進行資料分析

Python資料分析之：Pandas的基本資料分析功能1. pandas 建立 Series 格式資料2. pandas 建立 dataframe 格式資料3. 使用pandas内置函數來分析資料

【python資料分析（2）】Numpy通用函數

Python程式打包成exe可執行檔案Python程式打包工具PyInstallerpy2exe

小瓜講機器學習——聚類算法（一）K-Means算法原理Python代碼實作

聚類算法：Mean Shift聚類算法之Mean Shift

Python資料分析入門-Pandas環境搭建前文

利用Python進行資料分析第二版複現（七）第08章資料規整：聚合、合并和重塑

利用Python進行資料分析第二版複現（五）

解決報錯：Parser must be a string or character stream, not Series

# yyds幹貨盤點 # 盤點一個Python處理Excel兩列單元格中有類似字元串就傳回1，沒有就傳回0的操作

Seaborn可視化繪制散點圖

資料分析1--基本概念

06 | 學資料分析要掌握哪些基本概念？

python資料分析——OLS的summary儲存為pandas下的dataframe