Pandas在时间日期上的应用十分方便，能够快速处理、生成数据，这里总结其部分应用。
常用类型：
| 类 | 常用方法 |
|---|---|
| Timestamp（时间戳） | to_datetime / date_range |
| Timedelta（时间间隔） | to_timedelta / timedelta_range |
| Period（时间段） | Period / period_range |
| DateOffset（时间偏移） | DateOffset |
1. Timestamp
Timestamp是从标准库的datetime类继承过来，可以参考datetime的应用。
- 调用pd.Timestamp生成时间戳
应用datetime函数，可直接将datetime换成Timestamp，如datetime.now → pd.Timestamp.now
>>> pd.Timestamp.now() #生成当前时间
Timestamp('2019-01-31 19:58:18.282574')
>>> pd.Timestamp(2017, 1, 1, 12)
Timestamp('2017-01-01 12:00:00')
>>> a = pd.Timestamp("2019-02-01")
>>> a.day
1
- 调用to_datetime()转换为时间戳
to_datetime(arg, errors='raise', dayfirst=False, yearfirst=False, utc=None, box=True, format=None, exact=True, unit=None, infer_datetime_format=False, origin='unix', cache=False)
- 解释：
- error: {‘ignore’, ‘raise’, ‘coerce’}，默认为‘raise’，无效值则显示异常；ignore，无效值则为NaT；coerce，无效值则返回输入值。
- dayfirst / yearfirst：eg 10/11/12，dayfirst为日在前，yearfirst为年在前。
- box: 布尔型，True则返回DatetimeIndex或者行索引，False则返回numpy.darry
- format：%Y, %y, %m, %d ----年月日, %H(24时制), %I(12时制), %M, %S ----时分秒, %w星期几， %F(%Y-%m-%d简写), %D(%m/%d/%y简写)。
- unit： (D,s,ms,us,ns) 计算时间D=day, s=second, ms=毫秒, us=微秒, ns=纳秒，根据起始时间计算增加时间，起始时间origin = "unix"（1970-01-01），eg：pd.to_datetime(60,unit = "s")为1970-01-01 00:01:00
- origin: 默认unix，起始时间为1970-01-01；
- infer_datetime_format: 默认为False，如果为True且没给出格式，则自动转换为日期类型，可以转换的情况下能够提升速度至5~10倍。
>>> pd.to_datetime("11/10/12",format="%y/%m/%d")
Timestamp('2011-10-12 00:00:00')
>>> df = pd.DataFrame({'year': [2015, 2016],'month': [2, 3],'day': [4, 5]})
>>> pd.to_datetime(df)
0 2015-02-04
1 2016-03-05
dtype: datetime64[ns]
- date_range()生成时间戳索引
date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs)
- 解释
- start, end: 起始时间、结束时间
- period: 整数，周期数
- freq: 频率字符串，默认为D
- tz: 时区，如‘Asia/Hong_Kong’
- closed: {None, ‘left’, ‘right’}, 选择起始、结束时间为开区间，none为全闭，left为左开右闭。
ps：start, end, period, freq四个参数必须指定三个参数，同样的还有timedelta_range。
>>> pd.date_range("2001-01-01", periods=10, freq='2h20min')
DatetimeIndex(['2001-01-01 00:00:00', '2001-01-01 02:20:00',
'2001-01-01 04:40:00', '2001-01-01 07:00:00',
'2001-01-01 09:20:00', '2001-01-01 11:40:00',
'2001-01-01 14:00:00', '2001-01-01 16:20:00',
'2001-01-01 18:40:00', '2001-01-01 21:00:00'],
dtype='datetime64[ns]', freq='140T')
date_range生成的为DatetimeIndex，可以转化为Series或者DataFrame
>>> pd.Series(pd.date_range("2001-01-01", periods=5, freq='2h20min'))
0 2001-01-01 00:00:00
1 2001-01-01 02:20:00
2 2001-01-01 04:40:00
3 2001-01-01 07:00:00
4 2001-01-01 09:20:00
dtype: datetime64[ns]
转化为DataFrame不设定列索引则默认为0
>>> pd.DataFrame({"time":pd.date_range("2001-01-01", periods=5, freq='2h20min')},index=list("abcde"))
time
a 2001-01-01 00:00:00
b 2001-01-01 02:20:00
c 2001-01-01 04:40:00
d 2001-01-01 07:00:00
e 2001-01-01 09:20:00
2.Timedelta
Timedelta相当于Python的datetime.timedelta
- 调用to_timedelta()转换为时间间隔，time表示两个datetime的时间差
to_timedelta(arg, unit='ns', box=True, errors='raise')
- 解释
- unit: 字符串，可以用到(‘Y’, ‘M’, ‘W’, ‘D’, ‘days’, ‘day’, ‘hours’, hour’, ‘hr’, ‘h’, ‘m’, ‘minute’, ‘min’, ‘minutes’, ‘T’, ‘S’, ‘seconds’, ‘sec’, ‘second’, ‘ms’, ‘milliseconds’, ‘millisecond’, ‘milli’, ‘millis’, ‘L’, ‘us’, ‘microseconds’, ‘microsecond’, ‘micro’, ‘micros’, ‘U’, ‘ns’, ‘nanoseconds’, ‘nano’, ‘nanos’, ‘nanosecond’, ‘N’)
- box: 布尔型，True则返回 Timedelta/TimedeltaIndex，False则返回timedelta64[ns]类型的numpy.darry ，或者返回numpy.timedelta64
>>> >>> pd.to_timedelta('1 days 06:05:01.00003')
Timedelta('1 days 06:05:01.000030')
#box的区别
>>> pd.to_timedelta([2,4,6,8,9], unit='d')
TimedeltaIndex(['2 days', '4 days', '6 days', '8 days', '9 days'], dtype='timedelta64[ns]', freq=None)
>>> pd.to_timedelta([2,4,6,8,9],unit= "D",box=False)
array([172800000000000, 345600000000000, 518400000000000, 691200000000000,
777600000000000], dtype='timedelta64[ns]')
- timedelta_range()生成时间间隔索引
timedelta_range(start=None, end=None, periods=None, freq=None, name=None, closed=None)
>>> pd.timedelta_range(start='1 day', periods=4)
TimedeltaIndex(['1 days', '2 days', '3 days', '4 days'], dtype='timedelta64[ns]', freq='D')
3.Period
- 调用period_range()生成period索引
period_range(start=None, end=None, periods=None, freq=None, name=None)
ps: start, end, periods三个参数必须指定两个参数
>>> pd.period_range(start='2018-01-01', end='2019-01-01', freq='M')
PeriodIndex(['2018-01', '2018-02', '2018-03', '2018-04', '2018-05', '2018-06',
'2018-07', '2018-08', '2018-09', '2018-10', '2018-11', '2018-12',
'2019-01'],
dtype='period[M]', freq='M')
4.DateOffset
- 调用DateOffset()时间偏移
DateOffset(n=1, normalize=False, **kwds)
- 解释：
- n: 时间偏移量，默认n=1
- normalize: 标准化，是否四舍五入，默认为False
- **kwds: 偏移量参数，如Timedelta(years, months, weeks, days, hours, minutes, seconds, microseconds, nanoseconds)，如替换偏移量的值（year, month, week, day, hour, minute, second, microsecond, nanosecond），注意两者区别，months=4为偏移4个月，month=4为四月份
>>> a = pd.Timestamp('2017-01-01 09:10:11')
>>> a + pd.DateOffset(month=3)
Timestamp('2017-03-01 09:10:11')
>>> a + pd.DateOffset(months=3)
Timestamp('2017-04-01 09:10:11')
接下来会分享怎样把Numpy和Pandas应用至具体案例中，关于Numpy的入门教程，有需要的会补充。
