【Python】ime series：时间序列

目录：

文章目录

• • @[toc]
  • • 一 时间序列总览
    • 二 日期和时间数据类型及工具
    • • 1 日期和时间数据类型
      • 2 字符串和datetime的相互转换
    • 三 时间序列基础
    • • 1 索引、选取、子集构造
      • 2 带有重复索引的时间序列
    • 四 日期的范围、频率及移动
    • • 1 生成日期范围
      • 2 频率和日期偏移量
      • 3 移动（超前和滞后）数据
    • 五 时区处理
    • • 1 本地化和转换
      • 2 操作时区意识型Timestamp对象
      • 3 不同时区之间的运算
    • 六 时期及其算术运算
    • • 1 时期的频率转换
      • 2 按季度计算的时期频率
      • 3 将Timestamp转换为Period（及其反向过程）
      • 4 通过数组创建PeriodIndex
    • 七 重采样及频率转换
    • • 1 降采样
      • 2 升采样和插值
      • 3 通过时期进行重采样
    • 八 时间序列绘图
    • 九 移动窗口函数
    • • 1 指数加权函数
      • 2 二元移动函数
      • 3 用户自定义的移动窗口函数

一 时间序列总览

• 不管在哪个领域（金融学、经济学、生态学、神经科学、物理学等），时间序列（time series）数据都是一种重要的结构化数据形式。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。很多时间序列都是固定频率的，基本数据点都是根据某种规律出现的；时间序列也可以是不定期的额。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：
  • ① 时间戳（timestamp）：特定的时刻
  • ② 固定时期（period）：如2007年1月或2014年全年
  • ③ 时间间隔（interval）：由起始和结束时间戳表示。时期可以被看做间隔的特例。
  • ④ 实验过程时间，每个时间点都是相对于特定起始时间的一个度量。
• 许多技术都可以用来处理实验型时间序列，其索引可能是一个整数或浮点数（表示从实验开始算起已经过去的时间）。最简单也最常见的时间序列都是用时间 戳进行索引的。
• pandas提供了一组标准的时间序列处理工具和数据算法。可以高效处理非常大的时间序列，轻松进行切片/切块、聚合、对定期、不定期的时间序列进行重采样等。这些工具大