目录
在许多行业中，时间序列数据是一种重要的结构化数据类型。本章主要讲解datetime的数据类型及字符串的想换转换方法；时间序列的构造和使用放啊；日期和时期数据的使用方法；时间序列的频率转换与重采样。最后通过一个案例，讲解时间序列数据的处理与分析方法。
本节将讲解Python标准库中的datetime库的使用方法，以及datetime库的数据和字符串数据的转换方法。
Python的标准库datetime可用于创建时间数据类型。如下表所示为datetime库的时间数据类型。
| 类型 | 使用说明 |
| date | 日期（年月日） |
| time | 时间（时分秒毫秒） |
| datetime | 日期和时间 |
| timedelta | 两个datetime的差（日秒毫秒） |
其中date类数据可用于创建日期类数据，通过年、月、日来进行存储，如下图
time类数据用于存储时间数据，通过时、分、秒、毫秒进行存储，如下图
datetime类数据可以看做时date类和time类的组合，通过now方法可以查看当前的时间，如下图
timedelta类数据为两个datetime类数据的差，也可以通过daetime类对象加或减去timedelta类对象，以此获取新的datetime类对象，如下图
在数据分析中，字符串和datetime类数据需要进行转换，通过str方法可以直接将datetime类数据转换为字符串
如果需要将datetime类数据转换为特定格式的字符串数据（格式化），需要使用strftime方法，如下图
下表所示为部分格式化编码
| 代码 | 使用说明 |
| %Y | 4位数的年 |
| %y | 2位数的年 |
| %m | 2位数的月 |
| %d | 2位数的填 |
| %H | 时（24小时制） |
| %I | 时（12小时制） |
| %M | 2位数的分 |
| %W | 每年的第几周，星期一为每周第一天 |
通过datetime.strptime方法可将字符串格式转换为datetime数据类型，如下图
在pandas中，可通过to_datetime方法将一列字符串数据转换为时间数据。以前面章节的示例为例，可以看出HireDate字段的数据类型为字符串
通过to_datetime方法可以将HireDate字段进行转换，如下图，该数据为TimeStamp （时间戳）
时间序列是以时间戳为索引的Series或DataFrame。本节将讲解时间序列的构造方法，以及时间序列的索引和切片
pandas中的时间序列指的是以时间数据为索引的Series或DataFrame。如下图，为创建一个时间序列的Series
创建的这个时间序列Series的索引为DatetimeIndex对象，如下图
而DatetimeIndex对象的每个标量值是pandas的Timestamo对象，如下图，该对象以保存频率信息，后面会 讲解其用途。
跟普通的series一样，不同索引的时间序列的算数运算会按照索引对齐，如下图
时间序列的索引用法和pandas基础数据类型的用法是一样的，如下图
传入一个可用于解释的日期字符串，同样也可以完成索引工作，这是一种比较方便的用法，如下图
切片的使用方法和pandas基础数据用法也是一样的，如下图所示
同样的传入日期字符串或者datetime类数据也可以完成切片。由于大部分时间序列数据是按照时间先后顺序进行排序的，如果索引值不在该时间序列中也可以实现切片，如下图
对于长时间序列来说，可以通过年、月来轻松获取时间序列的切片，如下图
注：时间序列的DataFrame的索引和切片使用方法同上面一样，不再赘述。
对于具有重复索引的时间序列，可通过索引的is_unique属性进行检查，如下图
对重复索引的时间序列进行索引时，产生的是切片，如下图
这样可通过groupby函数对其进行聚合，如下图
本节将讲解如何生成指定长度的DatetimeIndex，时间序列中的基础频率及如何移动时间数据。
使用pd.date_range函数可以创建指定长度的DatetimeIndex索引，如下图
如下图，默认情况下，产生的DatetimeIndex索引的间隔为天，也就是说，时间频率是填。通过freq参数可以使用其他频率，如下图
在pd.date_range函数中传入起始或者结束如期，在传入一个表示一段时间的数据，就可以创建指定长度的DatetimeIndex索引，如下图
默认情况下，pd.date_range函数会保留完整的时间信息，但可以通过normalize参数使其规范化，如下图所示
时间序列的频率由基础频率和日期偏移量组成。例如，通过4H就可以创建4个小时为频率的DatetimeIndex索引，如下图
更为复杂的频率字符串，也可以被搞笑解析为相对应的频率，如下图
时间序列的常用基础频率如下表
| 别名 | 使用说明 |
| D | 每日历日 |
| B | 每工作日 |
| H | 每小时 |
| S | 每秒 |
| T或者min | 每分钟 |
| M | 每月最后一个日历日 |
| BM | 每月最后一个工作日 |
| A-JAN、A-EFB | 每年指定月份的最后一个日历日 |
移动数据就是沿着时间索引将数据向前或者向后移动。通过shift方法可以完成移动数据的操作，如下图
这种单纯的移动不会修改索引，而是使部分数据被丢弃。如果在shift方法中传入参数，这样就是修改索引了，如下图
时期表示的时间区间，如数日，数月和数年等。本节将讲解时期的构造方法、时期数据的频率转换和其数据结构
Period可以创建时期数据类型，传入字符串或者整数、频率即可，如下图。下图中的Period对象表示从2018年1也1日到2018年12月31日之间的整段时间。
该Period对象可以进行加减计算，使其进行时间的品阿姨。两个Period对象如果由相同的频率，则他们的差为他们之间的单位数量。
类似于pd.date_range,pd.period_range函数可以创建时期范围，PeriodIndex索引同样可以构Series或DataFrame数据
Period和PeriodIndex对象可以通过asfreq方法转换频率，如下图所示将年度时期转换为月度时期
当年度的频率不是位于12月时，转换频率就会发生变化，如下图
PeriodIndex对象的频率转换方式也一样，如下图
利用to_period方法可以将由时间戳索引的时间序列数据转换为时期为索引，如下图
当然，也可以指定转换的频率，如图所示
通过to_timestamp方法可进行逆操作，如下图
重采样时时间序列频率转换的处理过程。高频率聚合到低频率成为降采样，而低频率转换为高频率为高采样。
pandas中的resample方法用于各种频率的转换工作，如下图所示为将间隔为’天‘的频率转换为间隔为’月度‘的频率，这里的聚合方法为平均值。
如下表所示为resample方法的参数及说明，具体使用方法后面会详细解说
| 参数 | 使用说明 |
| freq | 转换频率 |
| axies=0 | 重采样的轴 |
| closed=’right | 在降采样中，设置各时间段哪端是闭合的 |
| label=‘right’ | 在降采样中，如何设置聚合值的标签 |
| loffset=None | 设置时间偏移量 |
| kind=None | 聚合到时期或时间戳，默认为时间序列得索引类型 |
| convention=None | 升采样所采用得约定（start或end）。默认为end |
在降采样中，重点需要考虑得是closed和label参数，这两个参数分别表示哪边区间是闭合的，哪边用于标记。如图所示为将两个参数值都设置为right
如下图所示将closed和label参数值均设为left。大家可以思考一下这两个参数的变化带来的影响。多看两遍就可以掌握了，其实很简单。
通过设置loffset日期偏移量，也可以看出其时间戳所属的区间，如下图，红色的是未来改版的警告信息，大家按照他那个写法改改就好。
8.5.3升采样在升采样中用到的就不再是聚合，而是需要对缺失值进行填充，其填充方法与前面介绍的fillna一样，如下图所示，也可以设置填充的个数。
该案例使用的数据及可在Kaggle（https://www.kaggle.com/c/bike/-sharing-demand/data）网站中下载，这里下载训练集。
数据说明：datetime为租赁时间：season为季节，1为春季，2为夏季以此类推：holiday表示是否为假期：0为非假期，1为假期：workingday与holday值正好相反，0为非工作日，1为工作日：weather为天气情况，数字越大，天气越差；temp和atemp为气温；humidity为湿度；windspeed为风俗；casual为普通用户；registered为注册用户；count为租赁自行车数量。读取文件如下：
本次分析围绕时间提出问题：时间段与自行车租赁的关系情况
查看缺失值，如下图可以看出没有缺失值。
然后查看各字段数据类型，发现datetime字段不是时间数据类型，如下图
此时利用pd.to_datetime函数将其转换为datetime类数据，如下图
最后将datetime字段设置为DataFrame的索引，这样就成为了时间序列数据，如下图
首先利用groupby方法也可以进行降采样，这里降采样到年份数据，如下图可以看出，2012年的租赁要高于2011年
然后通过下面的代码绘制柱状图：
接着再利用resample方法，将数据重采样到月份，类型为时期类型，如下图
然后利用plot方法绘制时间序列图，如下图由图可知，2011年和2012年去世大致相同，前几个月增加，到了5、6月达到峰值，再到9月份减少
为了分析每天和每小时的租赁分布情况，对日（day）和时（hour）的数据进行单独存储如下图
然后对day字段进行分组统计，如下图
注意：训练数据只有前19天
进行可视化
同样的，在对hour字段和weather字段进行上述处理。这里不再展示。
