不管是在金融学、经济学的社会学科领域，还是生态学、系统神经的自然学科领域，时间序列数据都是一种重要的结构化数据形式。
jupyter notebook在pycharm中的使用
我也是最近无意中才发现，jupyter notebook可以在pycharm中使用的。在写教学文档方面，因为jupyter有着像命令行一样即时输出的特点，比建立工程运行的方式要方便许多。将这个小功能推荐给大家，也建议大家在学习python的时候多用用jupyter。
基础
从这个小例子也可以看出jupyter notebook的好处，非常适合新手学习python的时候使用。同时这个例子也是最基础的时间序列类型。
datetime以毫秒形式存储日期和时间，两个日期相减得到所差毫秒数，同时也可以换算成天数和小时数。
在日常生活中，时间通常是以字符串的形式保存的，python中也提供了字符串和datetime相互转换的方法。
以下是常用的格式化编码。
| 代码 | 说明 |
|---|---|
| %Y | 4位数的年 |
| %y | 2位数的年 |
| %m | 2位数的月 |
| %d | 2位数的日 |
| %H | 24小时制的时 |
| %I | 12小时制的时 |
| %M | 2位数的分 |
| %S | 秒[0, 61], 60、61用于闰秒 |
| %w | 用整数表示的星期几 |
通过已知格式对日期进行解析当然最准确的做法，但是这种做法过于准确而显得比较麻烦。这种情况下，可以这样做。
从上图可以看出，parse解析器的功能相当强大，很多格式随意的时间字符串都可以解析成正确的时间。当然，遗憾的是，中文不可以。
下面我们来建立一个时间序列的数据集。
然后我们开始学习如何索引、选取、以及构造子集。
一门语言有一门语言的特色，其实pandas、numpy、还有现在学习的时间序列，它们对数据的索引选取都是大同小异的。只要掌握其中一个，其他包的索引基本也就都会了。
这一点在不同包的函数命名上也有所体现。细心的朋友可以发现，我并没有介绍data_range()这个函数，其实它和numpy中的range()是一样的，只有一些细节，参数会有变化。
比如。
freq这个参数可以决定取样的类型，BM就代表取每个月的最后一天。怎么说呢，越用越感觉到python的完善与强大。freq这个参数可以选择的类型有很多。如下是我经常用到总结下来的。
| 代码 | 说明 |
|---|---|
| D | 天 |
| B | 工作日 |
| H | 时 |
| T | 分 |
| S | 秒 |
| L | 毫秒 |
| U | 微秒 |
| BM | 每月最后一个工作日 |
移动与滞后数据也是一个很常见的操作。
重采样、频率转换
上面介绍了一些有关时间序列的基础操作，接下来介绍一些进阶内容。
在做实验的时候，我们最常涉及的就是采样。
我们发现这段程序所实现的功能是，每五分钟采样，并将该五分钟内的值求和赋给新采样的频率。
以上是降采样，升采样是一样的，只不过可能会有一些插值操作，这里不予介绍。
