時(shí)間序列數(shù)據(jù)處理9-2TimeSeriesDataProcessing內(nèi)容概述本章學(xué)習(xí)目標(biāo)財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析（1）了解時(shí)間序列分析的應(yīng)用場(chǎng)景；（5）熟悉時(shí)間偏置DateOffset對(duì)象和窗口函數(shù)；（4）掌握dt對(duì)象的屬性和方法；（2）掌握Datetimes數(shù)據(jù)類(lèi)型的屬性和方法；（3）掌握Timedeltas數(shù)據(jù)類(lèi)型的屬性和方法；（6）利用Pandas進(jìn)行簡(jiǎn)單的時(shí)間序列分析。目錄CONTENTS財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析9.2時(shí)間序列數(shù)據(jù)處理

1時(shí)間序列概述2時(shí)間點(diǎn) 3時(shí)間差 4時(shí)間偏置5窗口函數(shù)【Python財(cái)務(wù)數(shù)據(jù)分析】——財(cái)務(wù)數(shù)據(jù)的時(shí)間序列數(shù)據(jù)分析時(shí)間序列概述PartOne01財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析時(shí)間序列概述時(shí)間序列是按時(shí)間順序索引的一系列數(shù)據(jù)點(diǎn)。最常見(jiàn)的時(shí)間序列是在連續(xù)的等間隔時(shí)間點(diǎn)上獲得的序列有關(guān)時(shí)間序列的應(yīng)用場(chǎng)景，分為以下4種情況：（1）時(shí)間點(diǎn)。即特定的時(shí)刻，記錄時(shí)間維度的具體一個(gè)位置。（2）時(shí)間差。兩個(gè)時(shí)間點(diǎn)做差就得到了時(shí)間差。時(shí)間差可以是幾年，幾個(gè)月，幾天，幾分，幾秒，甚至小到納秒。因?yàn)槭菚r(shí)間差值，因此既可以是正數(shù)，也可以是負(fù)數(shù)。（3）時(shí)間跨度。即以時(shí)間為計(jì)量的迭代單位，時(shí)間記錄迭代步長(zhǎng)，以時(shí)間為計(jì)量的規(guī)律變化的一種時(shí)間差。（4）時(shí)間偏置。日期偏置是一種和日歷相關(guān)的特殊時(shí)間差，是與時(shí)間計(jì)量的不同單位進(jìn)制造成的特殊時(shí)間差。時(shí)間點(diǎn)PartTwo02財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析時(shí)間點(diǎn)時(shí)間點(diǎn)（Datetimes）問(wèn)題，Pandas提供Timestamp、DatetimeIndex、datetime64[ns]3種數(shù)據(jù)類(lèi)型。Timestamp對(duì)象是時(shí)間點(diǎn)元素類(lèi)型，表示確切的一個(gè)時(shí)間點(diǎn)；由Timestamp對(duì)象組成的序列是DatetimeIndex對(duì)象；DatetimeIndex對(duì)象可以作為Pandans的一個(gè)Series或者DataFrame的一列，數(shù)據(jù)類(lèi)型為datetime64[ns]。財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析Timestamp的構(gòu)造與屬性Pandas提供Timestamp（時(shí)間戳）類(lèi)構(gòu)造時(shí)間戳對(duì)象。單個(gè)時(shí)間戳的生成利用pd.Timestamp()實(shí)現(xiàn)Timestamp由date（日期）和time（時(shí)間）組成；其中日期又由year、month和day組成；時(shí)間由hour、minute和second組成。財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析Datetime序列一組時(shí)間戳可以組成時(shí)間序列DatetimeIndex。通過(guò)to_datetime()和date_range()函數(shù)生成時(shí)間序列，即把時(shí)間戳格式的對(duì)象轉(zhuǎn)換成為datetime64[ns]類(lèi)型的時(shí)間序列range()和np.arange()函數(shù)，pd.date_range()是一種生成連續(xù)間隔時(shí)間的一種方法語(yǔ)法格式：財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析時(shí)序類(lèi)型dt對(duì)象Pandas在時(shí)序類(lèi)型的序列上定義了dt對(duì)象來(lái)完成時(shí)間序列的相關(guān)操作。這些操作可以大致分為3類(lèi)：dt屬性，時(shí)間戳判定，取整操作。1）dt屬性dt對(duì)象時(shí)間分量值屬性包括：date,time,year,month,day,hour,minute,second,microsecond,nanosecond,dayofweek,dayofyear,weekofyear,daysinmonth,quarter等2）時(shí)間戳判定dt對(duì)象時(shí)間戳判定包括主要用于測(cè)試是否為月/季/年的第一天或者最后一天等，如is_leap_year,is_month_end,is_month_start,is_quarter_end,is_quarter_start,is_year_end,is_year_start等3）dt取整操作dt取整操作包含round(),ceil(),floor()函數(shù)，他們的公共參數(shù)為freq，常用的值包括：H（小時(shí)），min（分鐘），S（秒），即完成時(shí)間點(diǎn)的不同方式取整。財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析dt索引和切片財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析dt索引和切片時(shí)間差PartThere03財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析時(shí)間差兩個(gè)時(shí)間戳（Timestamp）做差就得到了時(shí)間差（Timedeltas），Pandas中利用Timedelta對(duì)象來(lái)表示。類(lèi)似于DatatimeIndex，一系列的時(shí)間差就組成TimedeltaIndex，而TimedeltaIndex置于DataFrame或Series中，其類(lèi)型為timedelta64[ns]。財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析創(chuàng)建Timedelta對(duì)象時(shí)間差可以理解為兩個(gè)時(shí)間戳的差，這里也可以通過(guò)pd.Timedelta()來(lái)構(gòu)造pd.Timestamp('2020010208:00:00')-pd.Timestamp('2020010107:35:00')pd.Timedelta(days=1,minutes=25)#需要注意是minutes，不是minute。或pd.Timedelta('1days25minutes')#字符串生成財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析Timedelta序列對(duì)于時(shí)間差序列的生成，需要pd.to_timedelta()方法，其類(lèi)型為timedelta64[ns]，示例代碼如下。td1=pd.date_range('2023-1-1','2023-3-1',periods=10)td2=td1+pd.Timedelta(days=1,minutes=45)*np.random.randint(10,size=10)ts=pd.to_timedelta(pd.Series(td2-td1))時(shí)間差序列也可以用timedelta_range()方法，參數(shù)與date_range()類(lèi)似，示例代碼如下。pd.timedelta_range('1m','1000m',freq='1h')pd.timedelta_range('0h','1000h',periods=9)財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析時(shí)間差dt對(duì)象對(duì)于Timedelta序列，同樣也定義了dt對(duì)象，接上例代碼。td_dt=(pd.Series(td2-td1)).dtTimedelta的dt對(duì)象定義了的屬性包括days，seconds，mircroseconds，nanoseconds等，與DatatimeIndex的dt對(duì)象類(lèi)似。財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析Timedelta的運(yùn)算時(shí)間點(diǎn)是定距類(lèi)型數(shù)據(jù)，但是時(shí)間差卻是比例類(lèi)型數(shù)據(jù)，可以進(jìn)行加、減、乘、除運(yùn)算都有意義。時(shí)間偏置PartFour04財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析Offset對(duì)象Offset對(duì)象通過(guò)pd.offsets定義。當(dāng)使用加法（+）運(yùn)算時(shí)獲取離其最近的下一個(gè)日期，當(dāng)使用減法（-）運(yùn)算時(shí)獲取離其最近的上一個(gè)日期。[in]pd.Timestamp('20231006')+pd.offsets.WeekOfMonth(week=0,weekday=0)[out]Timestamp('2023-11-0600:00:00')[in]

pd.Timestamp('20231001')-pd.offsets.WeekOfMonth(week=0,weekday=0)[out]Timestamp('2023-09-0400:00:00')財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析偏置字符串pd.date_range()函數(shù)可以生成連續(xù)的日期時(shí)間序列語(yǔ)法格式：pd.date_range(start=None,end=None,periods=None,freq=None,tz=None,normalize=False,name=None,inclusive='both',*,unit=None,**kwargs)式中freq取值可用Offset對(duì)象，稱(chēng)為頻率字符串，是

DateOffset

對(duì)象及其子類(lèi)。窗口函數(shù)PartFive05財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析窗口函數(shù)窗口函數(shù)可以為每行數(shù)據(jù)進(jìn)行一次計(jì)算，因?yàn)榇翱诤瘮?shù)指定了數(shù)據(jù)窗口大小，可以在這個(gè)滑動(dòng)窗口里進(jìn)行計(jì)算并返回一個(gè)值。聚合函數(shù)只返回一行或?qū)Ψ纸M下的所有數(shù)據(jù)進(jìn)行統(tǒng)計(jì)。財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析滑動(dòng)窗口函數(shù)窗口函數(shù)就是一個(gè)可以在滑動(dòng)窗口實(shí)現(xiàn)各種統(tǒng)計(jì)操作的函數(shù)。一個(gè)滑動(dòng)窗口是一個(gè)移動(dòng)變化的小區(qū)間，所以窗口函數(shù)可以在不斷變化的小區(qū)間里實(shí)現(xiàn)各種復(fù)雜的統(tǒng)計(jì)分析。Pandasrolling()函數(shù)的語(yǔ)法格式：財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析時(shí)序的滑動(dòng)窗口所謂時(shí)序的滑窗函數(shù)，即把滑動(dòng)窗口用freq關(guān)鍵詞代替。將偏移量傳遞給rolling()函數(shù)，并使其根據(jù)傳遞的時(shí)間窗口生成可變大小的窗口。函數(shù)作用于每個(gè)時(shí)間點(diǎn)，以及偏移量的時(shí)間增量?jī)?nèi)出現(xiàn)的所有先前值。財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析時(shí)序的擴(kuò)張窗口擴(kuò)張窗口又稱(chēng)累計(jì)窗口，可以理解為一個(gè)動(dòng)態(tài)長(zhǎng)度的窗口，其窗口的大小就是從序列開(kāi)始處到具體操作的對(duì)應(yīng)位置，其使用的聚合函數(shù)會(huì)作用于這些逐步擴(kuò)張的窗口上。【Python財(cái)務(wù)數(shù)據(jù)分析】——財(cái)務(wù)數(shù)據(jù)的時(shí)間序列數(shù)據(jù)分析PartPractice05財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析【小結(jié)】本節(jié)主要介紹了時(shí)間序列的特殊數(shù)據(jù)處理。時(shí)間序列是財(cái)經(jīng)數(shù)據(jù)分析的重要內(nèi)容，因此Pandas對(duì)其有較豐