男女无遮挡羞羞视频,在线看欧美成人中文字幕视频,日韩亚洲一区中文字幕

簡介

時間應(yīng)該是在數(shù)據(jù)處理中經(jīng)常會用到的一種數(shù)據(jù)類型，除了Numpy中datetime64 和 timedelta64 這兩種數(shù)據(jù)類型之外，pandas 還整合了其他python庫比如 scikits.timeseries 中的功能。

時間分類

pandas中有四種時間類型：

Date times : 日期和時間，可以帶時區(qū)。和標(biāo)準(zhǔn)庫中的 datetime.datetime 類似。
Time deltas：絕對持續(xù)時間，和標(biāo)準(zhǔn)庫中的 datetime.timedelta 類似。
Time spans：由時間點及其關(guān)聯(lián)的頻率定義的時間跨度。
Date offsets：基于日歷計算的時間和 dateutil.relativedelta.relativedelta 類似。

我們用一張表來表示：

類型	標(biāo)量class	數(shù)組class	pandas數(shù)據(jù)類型	主要創(chuàng)建方法
Date times	Timestamp	DatetimeIndex	datetime64[ns] or datetime64[ns, tz]	to_datetime or date_range
Time deltas	Timedelta	TimedeltaIndex	timedelta64[ns]	to_timedelta or timedelta_range
Time spans	Period	PeriodIndex	period[freq]	Period or period_range
Date offsets	DateOffset	None	None	DateOffset

看一個使用的例子：

				?

									In [19]: pd.Series(range(3), index=pd.date_range("2000", freq="D", periods=3))

									Out[19]: 

									2000-01-01    0

									2000-01-02    1

									2000-01-03    2

									Freq: D, dtype: int64

看一下上面數(shù)據(jù)類型的空值：

				?

									In [24]: pd.Timestamp(pd.NaT)

									Out[24]: NaT

									In [25]: pd.Timedelta(pd.NaT)

									Out[25]: NaT

									In [26]: pd.Period(pd.NaT)

									Out[26]: NaT

									# Equality acts as np.nan would

									In [27]: pd.NaT == pd.NaT

									Out[27]: False

Timestamp

Timestamp 是最基礎(chǔ)的時間類型，我們可以這樣創(chuàng)建：

				?

									In [28]: pd.Timestamp(datetime.datetime(2012, 5, 1))

									Out[28]: Timestamp('2012-05-01 00:00:00')

									In [29]: pd.Timestamp("2012-05-01")

									Out[29]: Timestamp('2012-05-01 00:00:00')

									In [30]: pd.Timestamp(2012, 5, 1)

									Out[30]: Timestamp('2012-05-01 00:00:00')

DatetimeIndex

Timestamp 作為index會自動被轉(zhuǎn)換為DatetimeIndex：

				?

									In [33]: dates = [

									   ....:     pd.Timestamp("2012-05-01"),

									   ....:     pd.Timestamp("2012-05-02"),

									   ....:     pd.Timestamp("2012-05-03"),

									   ....: ]

									   ....: 

									In [34]: ts = pd.Series(np.random.randn(3), dates)

									In [35]: type(ts.index)

									Out[35]: pandas.core.indexes.datetimes.DatetimeIndex

									In [36]: ts.index

									Out[36]: DatetimeIndex(['2012-05-01', '2012-05-02', '2012-05-03'], dtype='datetime64[ns]', freq=None)

									In [37]: ts

									Out[37]: 

									2012-05-01    0.469112

									2012-05-02   -0.282863

									2012-05-03   -1.509059

									dtype: float64

date_range 和 bdate_range

還可以使用 date_range 來創(chuàng)建DatetimeIndex：

				?

									In [74]: start = datetime.datetime(2011, 1, 1)

									In [75]: end = datetime.datetime(2012, 1, 1)

									In [76]: index = pd.date_range(start, end)

									In [77]: index

									Out[77]: 

									DatetimeIndex(['2011-01-01', '2011-01-02', '2011-01-03', '2011-01-04',

									               '2011-01-05', '2011-01-06', '2011-01-07', '2011-01-08',

									               '2011-01-09', '2011-01-10',

									               ...

									               '2011-12-23', '2011-12-24', '2011-12-25', '2011-12-26',

									               '2011-12-27', '2011-12-28', '2011-12-29', '2011-12-30',

									               '2011-12-31', '2012-01-01'],

									              dtype='datetime64[ns]', length=366, freq='D')

date_range 是日歷范圍，bdate_range 是工作日范圍：

				?

									In [78]: index = pd.bdate_range(start, end)

									In [79]: index

									Out[79]: 

									DatetimeIndex(['2011-01-03', '2011-01-04', '2011-01-05', '2011-01-06',

									               '2011-01-07', '2011-01-10', '2011-01-11', '2011-01-12',

									               '2011-01-13', '2011-01-14',

									               ...

									               '2011-12-19', '2011-12-20', '2011-12-21', '2011-12-22',

									               '2011-12-23', '2011-12-26', '2011-12-27', '2011-12-28',

									               '2011-12-29', '2011-12-30'],

									              dtype='datetime64[ns]', length=260, freq='B')

兩個方法都可以帶上 start, end, 和 periods 參數(shù)。

				?

									In [84]: pd.bdate_range(end=end, periods=20)

									In [83]: pd.date_range(start, end, freq="W")

									In [86]: pd.date_range("2018-01-01", "2018-01-05", periods=5)

origin

使用 origin參數(shù)，可以修改 DatetimeIndex 的起點：

				?

									In [67]: pd.to_datetime([1, 2, 3], unit="D", origin=pd.Timestamp("1960-01-01"))

									Out[67]: DatetimeIndex(['1960-01-02', '1960-01-03', '1960-01-04'], dtype='datetime64[ns]', freq=None)

默認(rèn)情況下 origin='unix', 也就是起點是 1970-01-01 00:00:00.

				?

									In [68]: pd.to_datetime([1, 2, 3], unit="D")

									Out[68]: DatetimeIndex(['1970-01-02', '1970-01-03', '1970-01-04'], dtype='datetime64[ns]', freq=None)

格式化

使用format參數(shù)可以對時間進行格式化：

				?

									In [51]: pd.to_datetime("2010/11/12", format="%Y/%m/%d")

									Out[51]: Timestamp('2010-11-12 00:00:00')

									In [52]: pd.to_datetime("12-11-2010 00:00", format="%d-%m-%Y %H:%M")

									Out[52]: Timestamp('2010-11-12 00:00:00')

Period

Period 表示的是一個時間跨度,通常和freq一起使用：

				?

									In [31]: pd.Period("2011-01")

									Out[31]: Period('2011-01', 'M')

									In [32]: pd.Period("2012-05", freq="D")

									Out[32]: Period('2012-05-01', 'D')

Period可以直接進行運算：

				?

									In [345]: p = pd.Period("2012", freq="A-DEC")

									In [346]: p + 1

									Out[346]: Period('2013', 'A-DEC')

									In [347]: p - 3

									Out[347]: Period('2009', 'A-DEC')

									In [348]: p = pd.Period("2012-01", freq="2M")

									In [349]: p + 2

									Out[349]: Period('2012-05', '2M')

									In [350]: p - 1

									Out[350]: Period('2011-11', '2M')

注意，Period只有具有相同的freq才能進行算數(shù)運算。包括 offsets 和 timedelta

				?

									In [352]: p = pd.Period("2014-07-01 09:00", freq="H")

									In [353]: p + pd.offsets.Hour(2)

									Out[353]: Period('2014-07-01 11:00', 'H')

									In [354]: p + datetime.timedelta(minutes=120)

									Out[354]: Period('2014-07-01 11:00', 'H')

									In [355]: p + np.timedelta64(7200, "s")

									Out[355]: Period('2014-07-01 11:00', 'H')

Period作為index可以自動被轉(zhuǎn)換為PeriodIndex：

				?

									In [38]: periods = [pd.Period("2012-01"), pd.Period("2012-02"), pd.Period("2012-03")]

									In [39]: ts = pd.Series(np.random.randn(3), periods)

									In [40]: type(ts.index)

									Out[40]: pandas.core.indexes.period.PeriodIndex

									In [41]: ts.index

									Out[41]: PeriodIndex(['2012-01', '2012-02', '2012-03'], dtype='period[M]', freq='M')

									In [42]: ts

									Out[42]: 

									2012-01   -1.135632

									2012-02    1.212112

									2012-03   -0.173215

									Freq: M, dtype: float64

可以通過 pd.period_range 方法來創(chuàng)建 PeriodIndex：

				?

									In [359]: prng = pd.period_range("1/1/2011", "1/1/2012", freq="M")

									In [360]: prng

									Out[360]: 

									PeriodIndex(['2011-01', '2011-02', '2011-03', '2011-04', '2011-05', '2011-06',

									             '2011-07', '2011-08', '2011-09', '2011-10', '2011-11', '2011-12',

									             '2012-01'],

									            dtype='period[M]', freq='M')

還可以通過PeriodIndex直接創(chuàng)建：

				?

									In [361]: pd.PeriodIndex(["2011-1", "2011-2", "2011-3"], freq="M")

									Out[361]: PeriodIndex(['2011-01', '2011-02', '2011-03'], dtype='period[M]', freq='M')

DateOffset

DateOffset表示的是頻率對象。它和Timedelta很類似，表示的是一個持續(xù)時間，但是有特殊的日歷規(guī)則。比如Timedelta一天肯定是24小時，而在 DateOffset中根據(jù)夏令時的不同，一天可能會有23，24或者25小時。

				?

									# This particular day contains a day light savings time transition

									In [144]: ts = pd.Timestamp("2016-10-30 00:00:00", tz="Europe/Helsinki")

									# Respects absolute time

									In [145]: ts + pd.Timedelta(days=1)

									Out[145]: Timestamp('2016-10-30 23:00:00+0200', tz='Europe/Helsinki')

									# Respects calendar time

									In [146]: ts + pd.DateOffset(days=1)

									Out[146]: Timestamp('2016-10-31 00:00:00+0200', tz='Europe/Helsinki')

									In [147]: friday = pd.Timestamp("2018-01-05")

									In [148]: friday.day_name()

									Out[148]: 'Friday'

									# Add 2 business days (Friday --> Tuesday)

									In [149]: two_business_days = 2 * pd.offsets.BDay()

									In [150]: two_business_days.apply(friday)

									Out[150]: Timestamp('2018-01-09 00:00:00')

									In [151]: friday + two_business_days

									Out[151]: Timestamp('2018-01-09 00:00:00')

									In [152]: (friday + two_business_days).day_name()

									Out[152]: 'Tuesday'

DateOffsets 和Frequency 運算是先關(guān)的，看一下可用的Date Offset 和它相關(guān)聯(lián)的 Frequency：

Date Offset	Frequency String	描述
DateOffset	None	通用的offset 類
BDay or BusinessDay	'B'	工作日
CDay or CustomBusinessDay	'C'	自定義的工作日
Week	'W'	一周
WeekOfMonth	'WOM'	每個月的第幾周的第幾天
LastWeekOfMonth	'LWOM'	每個月最后一周的第幾天
MonthEnd	'M'	日歷月末
MonthBegin	'MS'	日歷月初
BMonthEnd or BusinessMonthEnd	'BM'	營業(yè)月底
BMonthBegin or BusinessMonthBegin	'BMS'	營業(yè)月初
CBMonthEnd or CustomBusinessMonthEnd	'CBM'	自定義營業(yè)月底
CBMonthBegin or CustomBusinessMonthBegin	'CBMS'	自定義營業(yè)月初
SemiMonthEnd	'SM'	日歷月末的第15天
SemiMonthBegin	'SMS'	日歷月初的第15天
QuarterEnd	'Q'	日歷季末
QuarterBegin	'QS'	日歷季初
BQuarterEnd	'BQ	工作季末
BQuarterBegin	'BQS'	工作季初
FY5253Quarter	'REQ'	零售季（ 52-53 week)
YearEnd	'A'	日歷年末
YearBegin	'AS' or 'BYS'	日歷年初
BYearEnd	'BA'	營業(yè)年末
BYearBegin	'BAS'	營業(yè)年初
FY5253	'RE'	零售年 (aka 52-53 week)
Easter	None	復(fù)活節(jié)假期
BusinessHour	'BH'	business hour
CustomBusinessHour	'CBH'	custom business hour
Day	'D'	一天的絕對時間
Hour	'H'	一小時
Minute	'T' or 'min'	一分鐘
Second	'S'	一秒鐘
Milli	'L' or 'ms'	一微妙
Micro	'U' or 'us'	一毫秒
Nano	'N'	一納秒

DateOffset還有兩個方法 rollforward() 和 rollback() 可以將時間進行移動：

				?

									In [153]: ts = pd.Timestamp("2018-01-06 00:00:00")

									In [154]: ts.day_name()

									Out[154]: 'Saturday'

									# BusinessHour's valid offset dates are Monday through Friday

									In [155]: offset = pd.offsets.BusinessHour(start="09:00")

									# Bring the date to the closest offset date (Monday)

									In [156]: offset.rollforward(ts)

									Out[156]: Timestamp('2018-01-08 09:00:00')

									# Date is brought to the closest offset date first and then the hour is added

									In [157]: ts + offset

									Out[157]: Timestamp('2018-01-08 10:00:00')

上面的操作會自動保存小時，分鐘等信息，如果想要設(shè)置為 00:00:00 ，可以調(diào)用normalize() 方法：

				?

									In [158]: ts = pd.Timestamp("2014-01-01 09:00")

									In [159]: day = pd.offsets.Day()

									In [160]: day.apply(ts)

									Out[160]: Timestamp('2014-01-02 09:00:00')

									In [161]: day.apply(ts).normalize()

									Out[161]: Timestamp('2014-01-02 00:00:00')

									In [162]: ts = pd.Timestamp("2014-01-01 22:00")

									In [163]: hour = pd.offsets.Hour()

									In [164]: hour.apply(ts)

									Out[164]: Timestamp('2014-01-01 23:00:00')

									In [165]: hour.apply(ts).normalize()

									Out[165]: Timestamp('2014-01-01 00:00:00')

									In [166]: hour.apply(pd.Timestamp("2014-01-01 23:30")).normalize()

									Out[166]: Timestamp('2014-01-02 00:00:00')

作為index

時間可以作為index，并且作為index的時候會有一些很方便的特性。

可以直接使用時間來獲取相應(yīng)的數(shù)據(jù)：

				?

									In [99]: ts["1/31/2011"]

									Out[99]: 0.11920871129693428

									In [100]: ts[datetime.datetime(2011, 12, 25):]

									Out[100]: 

									2011-12-30    0.56702

									Freq: BM, dtype: float64

									In [101]: ts["10/31/2011":"12/31/2011"]

									Out[101]: 

									2011-10-31    0.271860

									2011-11-30   -0.424972

									2011-12-30    0.567020

									Freq: BM, dtype: float64

獲取全年的數(shù)據(jù)：

				?

									In [102]: ts["2011"]

									Out[102]: 

									2011-01-31    0.119209

									2011-02-28   -1.044236

									2011-03-31   -0.861849

									2011-04-29   -2.104569

									2011-05-31   -0.494929

									2011-06-30    1.071804

									2011-07-29    0.721555

									2011-08-31   -0.706771

									2011-09-30   -1.039575

									2011-10-31    0.271860

									2011-11-30   -0.424972

									2011-12-30    0.567020

									Freq: BM, dtype: float64

獲取某個月的數(shù)據(jù)：

				?

									In [103]: ts["2011-6"]

									Out[103]: 

									2011-06-30    1.071804

									Freq: BM, dtype: float64

DF可以接受時間作為loc的參數(shù)：

				?

									In [105]: dft

									Out[105]: 

									                            A

									2013-01-01 00:00:00  0.276232

									2013-01-01 00:01:00 -1.087401

									2013-01-01 00:02:00 -0.673690

									2013-01-01 00:03:00  0.113648

									2013-01-01 00:04:00 -1.478427

									...                       ...

									2013-03-11 10:35:00 -0.747967

									2013-03-11 10:36:00 -0.034523

									2013-03-11 10:37:00 -0.201754

									2013-03-11 10:38:00 -1.509067

									2013-03-11 10:39:00 -1.693043

									[100000 rows x 1 columns]

									In [106]: dft.loc["2013"]

									Out[106]: 

									                            A

									2013-01-01 00:00:00  0.276232

									2013-01-01 00:01:00 -1.087401

									2013-01-01 00:02:00 -0.673690

									2013-01-01 00:03:00  0.113648

									2013-01-01 00:04:00 -1.478427

									...                       ...

									2013-03-11 10:35:00 -0.747967

									2013-03-11 10:36:00 -0.034523

									2013-03-11 10:37:00 -0.201754

									2013-03-11 10:38:00 -1.509067

									2013-03-11 10:39:00 -1.693043

									[100000 rows x 1 columns]

時間切片：

				?

									In [107]: dft["2013-1":"2013-2"]

									Out[107]: 

									                            A

									2013-01-01 00:00:00  0.276232

									2013-01-01 00:01:00 -1.087401

									2013-01-01 00:02:00 -0.673690

									2013-01-01 00:03:00  0.113648

									2013-01-01 00:04:00 -1.478427

									...                       ...

									2013-02-28 23:55:00  0.850929

									2013-02-28 23:56:00  0.976712

									2013-02-28 23:57:00 -2.693884

									2013-02-28 23:58:00 -1.575535

									2013-02-28 23:59:00 -1.573517

									[84960 rows x 1 columns]

切片和完全匹配

考慮下面的一個精度為分的Series對象：

				?

									In [120]: series_minute = pd.Series(

									   .....:     [1, 2, 3],

									   .....:     pd.DatetimeIndex(

									   .....:         ["2011-12-31 23:59:00", "2012-01-01 00:00:00", "2012-01-01 00:02:00"]

									   .....:     ),

									   .....: )

									   .....: 

									In [121]: series_minute.index.resolution

									Out[121]: 'minute'

時間精度小于分的話，返回的是一個Series對象：

				?

									In [122]: series_minute["2011-12-31 23"]

									Out[122]: 

									2011-12-31 23:59:00    1

									dtype: int64

時間精度大于分的話，返回的是一個常量：

				?

									In [123]: series_minute["2011-12-31 23:59"]

									Out[123]: 1

									In [124]: series_minute["2011-12-31 23:59:00"]

									Out[124]: 1

同樣的，如果精度為秒的話，小于秒會返回一個對象，等于秒會返回常量值。

時間序列的操作

Shifting

使用shift方法可以讓 time series 進行相應(yīng)的移動：

				?

									In [275]: ts = pd.Series(range(len(rng)), index=rng)

									In [276]: ts = ts[:5]

									In [277]: ts.shift(1)

									Out[277]: 

									2012-01-01    NaN

									2012-01-02    0.0

									2012-01-03    1.0

									Freq: D, dtype: float64

通過指定 freq ，可以設(shè)置shift的方式：

				?

									In [278]: ts.shift(5, freq="D")

									Out[278]: 

									2012-01-06    0

									2012-01-07    1

									2012-01-08    2

									Freq: D, dtype: int64

									In [279]: ts.shift(5, freq=pd.offsets.BDay())

									Out[279]: 

									2012-01-06    0

									2012-01-09    1

									2012-01-10    2

									dtype: int64

									In [280]: ts.shift(5, freq="BM")

									Out[280]: 

									2012-05-31    0

									2012-05-31    1

									2012-05-31    2

									dtype: int64

頻率轉(zhuǎn)換

時間序列可以通過調(diào)用 asfreq 的方法轉(zhuǎn)換其頻率：

				?

									In [281]: dr = pd.date_range("1/1/2010", periods=3, freq=3 * pd.offsets.BDay())

									In [282]: ts = pd.Series(np.random.randn(3), index=dr)

									In [283]: ts

									Out[283]: 

									2010-01-01    1.494522

									2010-01-06   -0.778425

									2010-01-11   -0.253355

									Freq: 3B, dtype: float64

									In [284]: ts.asfreq(pd.offsets.BDay())

									Out[284]: 

									2010-01-01    1.494522

									2010-01-04         NaN

									2010-01-05         NaN

									2010-01-06   -0.778425

									2010-01-07         NaN

									2010-01-08         NaN

									2010-01-11   -0.253355

									Freq: B, dtype: float64

asfreq還可以指定修改頻率過后的填充方法：

				?

									In [285]: ts.asfreq(pd.offsets.BDay(), method="pad")

									Out[285]: 

									2010-01-01    1.494522

									2010-01-04    1.494522

									2010-01-05    1.494522

									2010-01-06   -0.778425

									2010-01-07   -0.778425

									2010-01-08   -0.778425

									2010-01-11   -0.253355

									Freq: B, dtype: float64

Resampling 重新取樣

給定的時間序列可以通過調(diào)用resample方法來重新取樣：

				?

									In [286]: rng = pd.date_range("1/1/2012", periods=100, freq="S")

									In [287]: ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)

									In [288]: ts.resample("5Min").sum()

									Out[288]: 

									2012-01-01    25103

									Freq: 5T, dtype: int64

resample 可以接受各類統(tǒng)計方法，比如： sum, mean, std, sem, max, min, median, first, last, ohlc。

				?

									In [289]: ts.resample("5Min").mean()

									Out[289]: 

									2012-01-01    251.03

									Freq: 5T, dtype: float64

									In [290]: ts.resample("5Min").ohlc()

									Out[290]: 

									            open  high  low  close

									2012-01-01   308   460    9    205

									In [291]: ts.resample("5Min").max()

									Out[291]: 

									2012-01-01    460

									Freq: 5T, dtype: int64