📌  相关文章
📜  Pandas 时间序列

📅  最后修改于: 2020-10-29 04:45:37             🧑  作者: Mango

Pandas 时间序列

时间序列数据被定义为重要的信息来源，该信息提供了可用于各种业务的策略。从传统的金融业到教育业，它包含许多有关时间的细节。

时间序列预测是一种处理时间序列数据的机器学习模型，用于通过时间序列建模预测未来值。

Pandas 具有与所有域的时间序列数据一起使用的广泛功能。通过使用NumPy datetime64和timedelta64 dtypes。 Pandas整合了与其他Python库(如scikits.timeseries)不同的功能，并创建了大量用于处理时间序列数据的新功能。

例如，Pandas 支持从各种来源和格式解析时间序列信息。

导入包和数据

开始之前，您必须导入一些使用numpy，pandas，matplotlib和seaborn的软件包。

您可以通过在代码中添加％matplotlib内联代码来附加要在Jupyter Notebook中绘制的图像，也可以使用sns.set()切换到Seaborn默认设置：

# import packages
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
sns.set()

日期和时间

Pandas 提供了日期，时间，增量和时间跨度的功能。它主要用于数据科学应用。

本地日期和时间：

我们在datetime模块中有两个可用的本地日期和时间。通过使用dateutil函数，我们还可以在日期和时间上执行许多有用的功能。您还可以使用多种字符串格式解析日期：

范例1：

import pandas as pd   
# Create the dates with frequency   
info = pd.date_range('5/4/2013', periods = 8, freq ='S')   
info

输出：

DatetimeIndex(['2013-05-04 00:00:00', '2013-05-04 00:00:01',
               '2013-05-04 00:00:02', '2013-05-04 00:00:03',
               '2013-05-04 00:00:04', '2013-05-04 00:00:05',
               '2013-05-04 00:00:06', '2013-05-04 00:00:07'],
              dtype='datetime64[ns]', freq='S')

范例1：

import pandas as pd 
# Create the Timestamp 
p = pd.Timestamp('2018-12-12 06:25:18') 
# Create the DateOffset 
do = pd.tseries.offsets.DateOffset(n = 2) 
# Print the Timestamp 
print(p) 
# Print the DateOffset 
print(do)

输出：

2018-12-12 06:25:18
<2 * DateOffsets>