一,時間子產品:datetime
-
日期對象(年月日)datetime.date()
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
-
目前時間日期對象(年,月,日,時,分,秒),自定義時間日期datetime.datetime.now()
# 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)
-
:日期字元串轉換parser.parse()
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
-
通過該方法生成pandas裡面的時刻資料(Timestamp)pd.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'>
-
多個資料轉換成Pandas裡面的時刻資料(Timestamp)pd.to_datetime
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'>
補充pd.to_datetime
# 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)
-
-日期範圍:生成日期範圍pd.date_range()
# 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(2)# 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) 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
-
建立時期pd.Period()
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
-
建立時期範圍pd.period_range()
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