利用Python进行数据分析之时间序列（一）

时间序列（time series）数据使一种重要的结构化数据形式。

在多个时间点观察和测量到的任何事物都可以形成一段时间序列。很多时间序列是固定频率的，也就是说，数据点是根据某种规律定期出现的（比如每15秒、每5分钟、每月出现一次）。时间序列也可以是不定期的。

时间序列数据的意义取决于具体的应用场景，主要有以下几种：

时间戳（timestamp）,特定的时刻。
固定时间（period），如2007年1月或2010年全年。
时间间隔（interval），由起始和结束时间戳表示。时期（period）可以被看作间隔（interval）的特例。
实验和过程时间，每个时间点都是相对于特定起始时间的一个度量。例如，从放入烤箱时起，每秒饼干的直径。

本章主要讲解前3 种时间序列。

pandas 提供了一组标准的时间序列处理工具和数据算法。因此，可以高效处理非常大的时间序列，轻松的进行切片/切块、聚合、对定期、不定期的时间序列进行重采样等。

日期和时间数据类型及工具

python标准库包含用于日期（date）和时间（time）数据的数据类型，而且还有日历方面的功能。我们主要会用到datetime、time以及calendar模块。datetime.datetime（也可以简写为datetime）是用的最多的数据类型。

In[7]:from datetime import datetime 
In[8]:now=datetime.now()
In[9]:now
Out[9]:datetime.datetime(2017, 9, 21, 11, 19, 53, 64222)

In[10]:now.year,now.month,now.day
Out[10]:(2017, 9, 21)

datetime以毫秒形式存储日期和时间。datetime.timedelta表示两个datetime对象之间的时间差。

In[11]:delta=datetime(2011,1,7)-datetime(2008,6,24,8,15)
In[12]:delta
Out[12]:datetime.timedelta(926, 56700)

In[13]:delta.days
Out[13]:926

In[14]:datetime.seconds
Out[14]:56700

可以给datetime对象加上（或减去）一个或多个timedelta，这样会产生一个新对象。

In[15]:from datetime import timedelta
In[16]:start=datetime(2011,1,7)
In[17]:start+timedelta(12)
Out[17]:datetime.datetime(2011, 1, 19, 0, 0)

In[18]:start-2*timedelta(12)
Out[18]:datetime.datetime(2010, 12, 14, 0, 0)

datatime模块中的数据类型参见表10-1。

Paste_Image.png

字符串和datetime的相互转化

利用str和strftime方法（传入一个格式化字符串），datetime对象和pandas的Timestamp对象（稍后就会介绍）可以被格式化为字符串：

In[19]:stamp=datetime(2011,1,3)
In[20]:str(stmp)
Out[20]:'2011-01-03 00:00:00'

In[21]:stamp.strftime('%Y-%m-%d')
Out[21]:'2011-01-03'

表10-2列出了全部的格式化编码。datetime.strptime也可以用这些格式化编码将字符串转化为日期。

In[22]:value='2011-01-03'
In[23]:datetime.strptime(value,'%Y-%m-%d')
Out[23]:datetime.datetime(2011, 1, 3, 0, 0)

In[24]:datestrs=['7/6/2011','8/6/2011']
In[25]:[datetime.strptime(x,'%d/%m/%Y') for x in datestrs]
Out[25]:[datetime.datetime(2011, 6, 7, 0, 0), datetime.datetime(2011, 6, 8, 0, 0)]

datetime.strptime是通过已知格式进行日期解析的最佳方式。但是每次都要编写格式定义是很麻烦的事情，尤其是对一些常见的日期格式。在这种情况下，可以用dateutil这个第三方包中的parser.parse方法：

In[26]:from dateutil.parser import parse

In[27]:parse('2011-01-03')
Out[27]:datetime.datetime(2011, 1, 3, 0, 0)

dateutil可以解析几乎所有人类能够理解的日期表示形式：

In[28]:parse('Jan31,1997, 10:45 PM')
Out[28]:datetime.datetime(2017, 1, 31, 22, 45)

在国际通用格式中，日通常出现在月的前面，传入dayfirst=True即可解决这个问题：

In[29]:parse('6/12/2011',dayfirst=True)
Out[29]:datetime.datetime(2011, 12, 6, 0, 0)

pandas通常是用于处理成组日期的，不管这些日期是DataFrame的轴索引还是列。to_datetime方法可以解析多种不同的日期表示形式。对标准日期格式（如ISO8601）的解析非常快。

In[30]:datestrs
Out[31]:['7/6/2011','8/6/2011']

In[32]:pd.to_datetime(datestrs)
Out[32]:DatetimeIndex(['2011-07-06', '2011-08-06'], dtype='datetime64[ns]', freq=None)

它还可以处理缺失值（None、空字符串等）

In[33]:idx=pd.to_datetime(datestrs+[None])
In[34]:idx
Out[34]:DatetimeIndex(['2011-07-06', '2011-08-06', 'NaT'], dtype='datetime64[ns]', freq=None)

In[35]:idx[2]
Out[35];NaT

In[36]:pd.isnull(idx)
Out[36]:array([False, False,  True], dtype=bool)

NaT(Not a Time)是pandas中时间戳的NA值。

Paste_Image.png

datetime对象还有一些特定的当前环境（位于不同国家或使用不同语言的系统）的格式化选项。例如，德语或法语系统所使用的月份简写就与英语系统所用的不同。

Paste_Image.png

时间序列基础

pandas最基本的时间序列类型就是以时间戳（通常以python字符串或datetime对象表示）为索引的Serties:

In[37]:from datetime import datetime 
       from pandas import Series
       import numpy as np

In[38]:dates=[datetime(2012,1,2),datetime(2012,1,5),datetime(2012,1,7),datetime(2012,1,8),datetime(2012,1,10),datetime(2012,1,12)]

In[39]:ts=Series(np.random.randn(6),index=dates)

In[40]:ts
Out[40]:
2012-01-02    0.849856
2012-01-05   -0.906907
2012-01-07   -0.546352
2012-01-08    2.540495
2012-01-10   -0.848640
2012-01-12   -0.251311
dtype: float64

这些datetime对象实际上是被放在一个DatetimeIndex中的。现在变量ts就成为一个TimeSeriesl了：

In[41]:type(ts)
Out[41]:pandas.core.series.Series

In[42]:ts.index
Out[42]:
DatetimeIndex(['2012-01-02', '2012-01-05', '2012-01-07', '2012-01-08',
               '2012-01-10', '2012-01-12'],
              dtype='datetime64[ns]', freq=None)

索引、选取、子集构造

由于TimeSeries 是Series的一个子集，所以在索引以及数据选取方面它们的行为是一样的：

In[43]:stamp=ts.index[2]
In[44]:ts[stamp]
Out[44]:-0.54635175819596538

对于较长的时间序列，只需传入“年”或“年月”即可轻松选取数据的切片；

In[45]:longer_ts=Series(np.random.randn(1000),index=pd.date_range('1/1/2000',periods=1000))
In[46]:longer_ts
Out[46]:
2000-01-01    0.590881
2000-01-02    1.399762
2000-01-03    0.063494
2000-01-04    0.393014
2000-01-05    0.394271
2000-01-06   -0.204916
2000-01-07   -0.387580
2000-01-08    2.007172
2000-01-09   -0.632114
2000-01-10    1.450395
2000-01-11    1.117056
2000-01-12   -0.869849
2000-01-13   -0.934312
2000-01-14    0.793892
2000-01-15    1.343878
2000-01-16   -0.185210
2000-01-17    0.642998
2000-01-18   -1.364391
2000-01-19   -1.699167
2000-01-20   -1.561579
2000-01-21   -2.057630
2000-01-22   -0.116533
2000-01-23    1.113738
2000-01-24   -1.414665
2000-01-25    0.035497
2000-01-26    0.530272
2000-01-27   -0.489301
2000-01-28    1.039988
2000-01-29   -1.065946
2000-01-30    0.645302
                ...   
2002-08-28   -1.794458
2002-08-29   -0.131113
2002-08-30    0.035095
2002-08-31    0.820795
2002-09-01   -0.007682
2002-09-02   -1.776380
2002-09-03    1.117728
2002-09-04   -0.681044
2002-09-05   -0.481970
2002-09-06   -0.013774
2002-09-07    0.303825
2002-09-08    0.126293
2002-09-09   -2.020826
2002-09-10    1.482175
2002-09-11    2.112688
2002-09-12    0.799717
2002-09-13   -0.152915
2002-09-14   -0.948012
2002-09-15   -0.002202
2002-09-16    1.018252
2002-09-17    0.876235
2002-09-18    1.122031
2002-09-19   -0.576721
2002-09-20    1.006303
2002-09-21    0.542889
2002-09-22   -1.192439
2002-09-23    0.250576
2002-09-24   -0.820256
2002-09-25   -0.295898
2002-09-26   -0.285487
Freq: D, Length: 1000, dtype: float64

In[47]:longer_ts['2001']
Out[47]:
2001-01-01   -2.113412
2001-01-02   -0.285088
2001-01-03   -0.295320
2001-01-04   -1.085161
2001-01-05    1.196209
2001-01-06   -0.588492
2001-01-07   -0.530637
2001-01-08    0.722721
2001-01-09   -0.077063
2001-01-10   -1.608190
2001-01-11    0.041290
2001-01-12   -1.246099
2001-01-13    0.918121
2001-01-14    0.322362
2001-01-15    1.108135
2001-01-16    1.025266
2001-01-17    0.607296
2001-01-18    2.026020
2001-01-19    0.923550
2001-01-20    1.336078
2001-01-21   -1.348104
2001-01-22    0.955571
2001-01-23   -0.080459
2001-01-24    0.358844
2001-01-25   -0.831299
2001-01-26    1.176252
2001-01-27   -0.373632
2001-01-28   -0.350282
2001-01-29   -1.250022
2001-01-30   -1.133462
                ...   
2001-12-02    0.592748
2001-12-03    0.423768
2001-12-04    0.056043
2001-12-05    1.219448
2001-12-06    0.235945
2001-12-07   -0.385610
2001-12-08    1.652106
2001-12-09    0.903130
2001-12-10   -0.077634
2001-12-11   -1.846283
2001-12-12    2.018553
2001-12-13    0.754911
2001-12-14   -0.725142
2001-12-15   -0.285952
2001-12-16    0.314354
2001-12-17    0.798268
2001-12-18    0.002805
2001-12-19    1.015459
2001-12-20   -2.422554
2001-12-21    0.041050
2001-12-22   -1.337714
2001-12-23    0.244394
2001-12-24   -0.685081
2001-12-25   -1.267419
2001-12-26   -0.093063
2001-12-27    0.126119
2001-12-28   -0.302917
2001-12-29   -0.008550
2001-12-30    0.976075
2001-12-31    1.118983
Freq: D, Length: 365, dtype: float64

In[48]:longer_ts['2001-05']
Out[48]:
2001-05-01    1.260700
2001-05-02    0.546221
2001-05-03    0.203031
2001-05-04   -0.927684
2001-05-05   -0.384820
2001-05-06    0.544058
2001-05-07   -0.354518
2001-05-08   -1.132067
2001-05-09   -0.710839
2001-05-10   -0.254558
2001-05-11   -0.631291
2001-05-12    0.118105
2001-05-13    0.041881
2001-05-14   -0.641639
2001-05-15   -0.768678
2001-05-16    1.683219
2001-05-17    0.186971
2001-05-18   -1.376887
2001-05-19    1.847433
2001-05-20   -0.436165
2001-05-21    0.740447
2001-05-22   -1.965044
2001-05-23    0.571263
2001-05-24   -0.671063
2001-05-25   -0.768376
2001-05-26    0.606890
2001-05-27   -0.637426
2001-05-28   -1.981986
2001-05-29    0.234378
2001-05-30   -1.004578
2001-05-31   -0.743983
Freq: D, dtype: float64

带有重复索引的时间序列

在某些应用场景中，可能会存在多个观测数据落在同一个时间点上的情况。

In[49]:dates=pd.DatetimeIndex(['1/1/2000','1/2/2000','1/2/2000','1/2/2000','1/3/2000'])

In[50]:dup_ts=Series(np.arange(5),index=dates)
In[51]:dup_ts
Out[51]:
2000-01-01    0
2000-01-02    1
2000-01-02    2
2000-01-02    3
2000-01-03    4
dtype: int32

对这个时间序列进行索引，要么产生标量值，要么产生切片，具体要看所选的时间点是否重复：

In[52]:dup_ts['1/3/2000'] # 不重复
Out[52]:4

In[53]:dup_ts['1/2/2000'] #重复
Out[53]:
2000-01-02    1
2000-01-02    2
2000-01-02    3
dtype: int32

假设你想要对具有非唯一时间戳的数据进行聚合。一个办法就是使用groupby，并传入level=0（索引的唯一一层！）：

In[54]:grouped=dup_ts.groupby(level=0)
In[55]:groupby.mean()
Out[55]:
2000-01-01    0
2000-01-02    2
2000-01-03    4
dtype: int32

In[56]:grouped.count()
Out[56]:
2000-01-01    1
2000-01-02    3
2000-01-03    1
dtype: int64

日期的范围、频率、以及移动

pandas 中的时间序列一般被认为是不规则的，也就是说，它们没有固定的频率。但它以某种相对固定的频率进行分析时，比如每日、每月、每15分钟等（这样自然会在时间序列中引入缺失值）。

pandas 有一套标准时间序列频率以及用于重采样、频率推断、生成固定频率日期范围的工具。

例如，我们可以将之前那个时间序列转化为一个具有固定频率（每日）的是按序列，只需调用resample即可：

In[57]:ts
Out[57]:
2012-01-02    0.145269
2012-01-05    1.061321
2012-01-07    0.341192
2012-01-08    0.910146
2012-01-10   -0.366761
2012-01-12    0.202229
dtype: float64

In[58]:ts.resample('D')
## Out[58]:???
DatetimeIndexResampler [freq=<Day>, axis=0, closed=left, label=left, convention=start, base=0]

生成日期范围

pandas.date_range可用于生成指定长度的DatatimeIndex:

In[59]:index=pd.date_range('4/1/2012','6/1/2012')
In[60]:index
Out[60]:
DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04',
               '2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08',
               '2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12',
               '2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16',
               '2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20',
               '2012-04-21', '2012-04-22', '2012-04-23', '2012-04-24',
               '2012-04-25', '2012-04-26', '2012-04-27', '2012-04-28',
               '2012-04-29', '2012-04-30', '2012-05-01', '2012-05-02',
               '2012-05-03', '2012-05-04', '2012-05-05', '2012-05-06',
               '2012-05-07', '2012-05-08', '2012-05-09', '2012-05-10',
               '2012-05-11', '2012-05-12', '2012-05-13', '2012-05-14',
               '2012-05-15', '2012-05-16', '2012-05-17', '2012-05-18',
               '2012-05-19', '2012-05-20', '2012-05-21', '2012-05-22',
               '2012-05-23', '2012-05-24', '2012-05-25', '2012-05-26',
               '2012-05-27', '2012-05-28', '2012-05-29', '2012-05-30',
               '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

默认情况下，date_range会产生按天计算的时间点。如果只传入起始或结束日期，那就还得传入一个表示一段时间的数字：

In[61]:pd.date_range(star='4/1/2012',periods=20)
Out[61]:
DatetimeIndex(['2012-04-01', '2012-04-02', '2012-04-03', '2012-04-04',
               '2012-04-05', '2012-04-06', '2012-04-07', '2012-04-08',
               '2012-04-09', '2012-04-10', '2012-04-11', '2012-04-12',
               '2012-04-13', '2012-04-14', '2012-04-15', '2012-04-16',
               '2012-04-17', '2012-04-18', '2012-04-19', '2012-04-20'],
              dtype='datetime64[ns]', freq='D')


In[62]:pd.date_range(end='6/1/2012',periods=20)
Out[62]:
DatetimeIndex(['2012-05-13', '2012-05-14', '2012-05-15', '2012-05-16',
               '2012-05-17', '2012-05-18', '2012-05-19', '2012-05-20',
               '2012-05-21', '2012-05-22', '2012-05-23', '2012-05-24',
               '2012-05-25', '2012-05-26', '2012-05-27', '2012-05-28',
               '2012-05-29', '2012-05-30', '2012-05-31', '2012-06-01'],
              dtype='datetime64[ns]', freq='D')

起始和结束日期定义了日期索引的严格边界。例如，如果你想要生成一个由每月最后一个工作日组成的日期索引，可以传入“BM”频率（表示business end of month）,这样就只会包含时间间隔内（或刚好在边界上的）符合频率要求的日期：

In[63]:pd.date_tange('1/1/2000','12/1/2000',freq='BM')
Out[63]:
DatetimeIndex(['2000-01-31', '2000-02-29', '2000-03-31', '2000-04-28',
               '2000-05-31', '2000-06-30', '2000-07-31', '2000-08-31',
               '2000-09-29', '2000-10-31', '2000-11-30'],
              dtype='datetime64[ns]', freq='BM')

date_range默认会保留起始和结束时间戳的时间信息（如果有的话）：

In[64]:pd.date_range('1/1/2000','12/1/2000',periods=5)
Out[64]:
DatetimeIndex(['2000-01-01 12:56:31', '2000-01-02 12:56:31',
               '2000-01-03 12:56:31', '2000-01-04 12:56:31',
               '2000-01-05 12:56:31'],
              dtype='datetime64[ns]', freq='D')

有时，虽然起始和结束日期带有时间信息，但你希望产生一组被规范化（normalize）到午夜的时间戳。normalize选项即可实现该功能：

In[65]:pd.date_range('5/2/2012  12:56:31',periods=5,normalize=True)
Out[55]:
DatetimeIndex(['2012-05-02', '2012-05-03', '2012-05-04', '2012-05-05',
               '2012-05-06'],
              dtype='datetime64[ns]', freq='D')

频率和日期偏移量

pandas中的频率是由一个基础频率（base frequency）和一个乘数组成的。基础频率通常以一个字符串别名表示，比如“M”表示月，“H”表示小时。

对于每一个基础频率，都有一个被称为日期偏移量（data offset）的对象那个与之对应。

例如，按小时计算的频率可以用Hour类表示：

In[66]:from pandas.tseries.offsets import Hour,Minute
In[67]:four_hours=Hour(4)
In[68];four_hours
Out[68]:<4 * Hours>

一般来说，无须显示创建这样的对象，只需使用诸如“H”或“4H”这样的字符串别名即可。在基础频率前面放上一个整数即可创建倍数：

In[69]:pd.date_range('1/1/2000','1/3/2000 23:59',freq='4h')
Out[69]:
DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 04:00:00',
               '2000-01-01 08:00:00', '2000-01-01 12:00:00',
               '2000-01-01 16:00:00', '2000-01-01 20:00:00',
               '2000-01-02 00:00:00', '2000-01-02 04:00:00',
               '2000-01-02 08:00:00', '2000-01-02 12:00:00',
               '2000-01-02 16:00:00', '2000-01-02 20:00:00',
               '2000-01-03 00:00:00', '2000-01-03 04:00:00',
               '2000-01-03 08:00:00', '2000-01-03 12:00:00',
               '2000-01-03 16:00:00', '2000-01-03 20:00:00'],
              dtype='datetime64[ns]', freq='4H')

大部分偏移量对象都可通过加法进行连接：

In[70]:Hour(2)+Minute(30)
Out[70]:<150 * Minutes>

同理，也可以传入频率字符串（如“2h30min”），这种字符串可以被高效地解析为等效的表达式：

In[71]:pd.date_range('1/1/2000',periods=10,freq='1h30min')
Out[71]:
DatetimeIndex(['2000-01-01 00:00:00', '2000-01-01 01:30:00',
               '2000-01-01 03:00:00', '2000-01-01 04:30:00',
               '2000-01-01 06:00:00', '2000-01-01 07:30:00',
               '2000-01-01 09:00:00', '2000-01-01 10:30:00',
               '2000-01-01 12:00:00', '2000-01-01 13:30:00'],
              dtype='datetime64[ns]', freq='90T')

有些频率所描述的时间点并不是均匀分隔的。例如，“M”（日历月末）和“BM”（每月最后一个工作日）就取决于每月的天数，还要考虑月末是不是周末。

由于没有更好的术语，将这些成为锚点偏移量（anchored offset）

表10-4列出了pandas中的频率代码和日期偏移量表。

Paste_Image.png

WOM日期

WOM（Week Of Month）是一种非常实用的频率类，它以WOM开头。它使你能够获得诸如“每个月第3个星期五”之类的日期。

In[72]:rng=pd.date_range('1/1/2012','9/1/2012',freq='WOM-3FRI')
In[73]:rng
Out[73]:
[Timestamp('2012-01-20 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-02-17 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-03-16 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-04-20 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-05-18 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-06-15 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-07-20 00:00:00', freq='WOM-3FRI'),
 Timestamp('2012-08-17 00:00:00', freq='WOM-3FRI')]

美国的股票期权交易人会意识到这些日子就是标准的月度到期日。

移动（超前和滞后）数据

移动（shifting）指的是沿着时间轴将数据前移或后移。Series和DataFrame都有一个shift方法用于执行单纯的前移和后移操作，保持索引不变：

In[74]:ts=Series(np.random.randn(4),index=pd.date_range('1/1/2000',periods=4,freq='M'))
In[75]:ts
Out[75]:
2000-01-31    0.299618
2000-02-29    0.626409
2000-03-31   -0.272730
2000-04-30   -0.932787
Freq: M, dtype: float64

In[76]:ts.shift(2)
Out[76]:
2000-01-31         NaN
2000-02-29         NaN
2000-03-31    0.299618
2000-04-30    0.626409
Freq: M, dtype: float64

In[77]:ts.shift(-2)
Out[77]:
2000-01-31   -0.272730
2000-02-29   -0.932787
2000-03-31         NaN
2000-04-30         NaN
Freq: M, dtype: float64

shift通常用于计算一个时间序列或多个时间序列（如DataFrame的列）中的百分比变化。可以这样表达：

In[78]:ts/ts.shift(1)-1
Out[78]:
2000-01-31         NaN
2000-02-29    1.090689
2000-03-31   -1.435387
2000-04-30    2.420184
Freq: M, dtype: float64

由于单纯的移位操作不会修改索引，所以部分数据会被丢弃。因此，如果频率已知，则可以将其传递给shift以便实现对时间戳进行位移而不是对数据进行简单位移：

In[79]:ts.shift(2,freq='M')
Out[79]:
2000-03-31    0.299618
2000-04-30    0.626409
2000-05-31   -0.272730
2000-06-30   -0.932787
Freq: M, dtype: float64

In[80]:ts.shift(3,freq='D')
Out[80]:
2000-02-03    0.299618
2000-03-03    0.626409
2000-04-03   -0.272730
2000-05-03   -0.932787
dtype: float64

In[81]:ts.shift(1,freq='3D')
Out[81]:2000-02-03    0.299618
2000-03-03    0.626409
2000-04-03   -0.272730
2000-05-03   -0.932787
dtype: float64

In[82]:ts.shift(1,freq='90T')
Out[82]:
2000-01-31 01:30:00    0.299618
2000-02-29 01:30:00    0.626409
2000-03-31 01:30:00   -0.272730
2000-04-30 01:30:00   -0.932787
Freq: M, dtype: float64

通过偏移量对日期进行位移

pandas 的日期偏移量还可以用在datetime或Timestamp对象上：

最后编辑于：2017.12.10 14:30:31

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 205,033评论 6赞 478
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 87,725评论 2赞 381
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 151,473评论 0赞 338
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,846评论 1赞 277
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,848评论 5赞 368
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,691评论 1赞 282
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 38,053评论 3赞 399
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,700评论 0赞 258
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 42,856评论 1赞 300
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,676评论 2赞 323
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,787评论 1赞 333
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,430评论 4赞 321
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 39,034评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,990评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,218评论 1赞 260
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 45,174评论 2赞 352
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,526评论 2赞 343

利用Python进行数据分析之时间序列（一）

日期和时间数据类型及工具

字符串和datetime的相互转化

时间序列基础

索引、选取、子集构造

带有重复索引的时间序列

日期的范围、频率、以及移动

生成日期范围

频率和日期偏移量

WOM日期

移动（超前和滞后）数据

通过偏移量对日期进行位移

推荐阅读更多精彩内容