In [1]: import pandas as pd

In [2]: import matplotlib.pyplot as plt
本教程使用的数据
  • 本教程使用来自 OpenAQ 并通过 py-openaq 包下载的关于 \(NO_2\) 和小于 2.5 微米的颗粒物的空气质量数据。 air_quality_no2_long.csv" 数据集分别为巴黎的 FR04014、安特卫普的 BETR801 和伦敦的 London Westminster 测量站提供了 \(NO_2\) 值。

    原始数据
    In [3]: air_quality = pd.read_csv("data/air_quality_no2_long.csv")
    
    In [4]: air_quality = air_quality.rename(columns={"date.utc": "datetime"})
    
    In [5]: air_quality.head()
    Out[5]: 
        city country                   datetime location parameter  value   unit
    0  Paris      FR  2019-06-21 00:00:00+00:00  FR04014       no2   20.0  µg/m³
    1  Paris      FR  2019-06-20 23:00:00+00:00  FR04014       no2   21.8  µg/m³
    2  Paris      FR  2019-06-20 22:00:00+00:00  FR04014       no2   26.5  µg/m³
    3  Paris      FR  2019-06-20 21:00:00+00:00  FR04014       no2   24.9  µg/m³
    4  Paris      FR  2019-06-20 20:00:00+00:00  FR04014       no2   21.4  µg/m³
    
    In [6]: air_quality.city.unique()
    Out[6]: array(['Paris', 'Antwerpen', 'London'], dtype=object)
    

如何轻松处理时间序列数据#

使用 pandas 的日期时间属性#

  • 我想将 datetime 列中的日期作为日期时间对象而不是纯文本进行处理。

    In [7]: air_quality["datetime"] = pd.to_datetime(air_quality["datetime"])
    
    In [8]: air_quality["datetime"]
    Out[8]: 
    0      2019-06-21 00:00:00+00:00
    1      2019-06-20 23:00:00+00:00
    2      2019-06-20 22:00:00+00:00
    3      2019-06-20 21:00:00+00:00
    4      2019-06-20 20:00:00+00:00
                      ...           
    2063   2019-05-07 06:00:00+00:00
    2064   2019-05-07 04:00:00+00:00
    2065   2019-05-07 03:00:00+00:00
    2066   2019-05-07 02:00:00+00:00
    2067   2019-05-07 01:00:00+00:00
    Name: datetime, Length: 2068, dtype: datetime64[ns, UTC]
    

    最初,datetime 中的值是字符字符串,不提供任何日期时间操作(例如,提取年份、星期几等)。通过应用 to_datetime 函数,pandas 会解释这些字符串并将它们转换为日期时间(即 datetime64[ns, UTC])对象。在 pandas 中,我们称这些日期时间对象类似于标准库中的 datetime.datetime,称为 pandas.Timestamp

注意

由于许多数据集在某一列中包含日期时间信息,pandas 的输入函数,例如 pandas.read_csv()pandas.read_json(),可以使用 parse_dates 参数和要读取为时间戳的列列表,在读取数据时将信息转换为日期。

pd.read_csv("../data/air_quality_no2_long.csv", parse_dates=["datetime"])

为什么这些 pandas.Timestamp 对象很有用?让我们通过一些示例来说明其附加值。

我们正在处理的时间序列数据集的开始日期和结束日期是什么?

In [9]: air_quality["datetime"].min(), air_quality["datetime"].max()
Out[9]: 
(Timestamp('2019-05-07 01:00:00+0000', tz='UTC'),
 Timestamp('2019-06-21 00:00:00+0000', tz='UTC'))

使用 pandas.Timestamp 表示日期时间,使我们能够进行日期信息的计算并使其可比较。因此,我们可以用它来获取时间序列的长度。

In [10]: air_quality["datetime"].max() - air_quality["datetime"].min()
Out[10]: Timedelta('44 days 23:00:00')

结果是一个 pandas.Timedelta 对象,类似于标准 Python 库中的 datetime.timedelta,并定义时间持续时间。

用户指南

pandas 支持的各种时间概念在用户指南中有关 时间相关概念 的部分进行了说明。

  • 我想在 DataFrame 中添加一列,该列仅包含测量的月份。

    In [11]: air_quality["month"] = air_quality["datetime"].dt.month
    
    In [12]: air_quality.head()
    Out[12]: 
        city country                  datetime  ... value   unit  month
    0  Paris      FR 2019-06-21 00:00:00+00:00  ...  20.0  µg/m³      6
    1  Paris      FR 2019-06-20 23:00:00+00:00  ...  21.8  µg/m³      6
    2  Paris      FR 2019-06-20 22:00:00+00:00  ...  26.5  µg/m³      6
    3  Paris      FR 2019-06-20 21:00:00+00:00  ...  24.9  µg/m³      6
    4  Paris      FR 2019-06-20 20:00:00+00:00  ...  21.4  µg/m³      6
    
    [5 rows x 8 columns]
    

    通过使用 Timestamp 对象表示日期,pandas 提供了许多与时间相关的属性。例如 month,还有 yearquarter 等。所有这些属性都可以通过 dt 访问器访问。

用户指南

有关现有日期属性的概述,请参见时间和日期组件概述表。有关dt访问器以返回类似日期时间的属性的更多详细信息,请参阅专门介绍dt 访问器的部分。

  • 每个测量地点,每个星期几的平均\(NO_2\)浓度是多少?

    In [13]: air_quality.groupby(
       ....:     [air_quality["datetime"].dt.weekday, "location"])["value"].mean()
       ....: 
    Out[13]: 
    datetime  location          
    0         BETR801               27.875000
              FR04014               24.856250
              London Westminster    23.969697
    1         BETR801               22.214286
              FR04014               30.999359
                                      ...    
    5         FR04014               25.266154
              London Westminster    24.977612
    6         BETR801               21.896552
              FR04014               23.274306
              London Westminster    24.859155
    Name: value, Length: 21, dtype: float64
    

    还记得统计计算教程中提供的groupby的拆分-应用-合并模式吗?在这里,我们希望计算给定的统计量(例如,平均\(NO_2\))**对于每个工作日**和**对于每个测量地点**。为了对工作日进行分组,我们使用 pandas Timestamp的日期时间属性weekday(星期一=0,星期日=6),也可以通过dt访问器访问。可以在地点和工作日上进行分组,以拆分对这些组合中每个组合的平均值的计算。

    危险

    由于我们在这些示例中使用的是非常短的时间序列,因此分析无法提供长期代表性结果!

  • 绘制我们所有站点时间序列中一天内典型的\(NO_2\)模式。换句话说,一天中每个小时的平均值是多少?

    In [14]: fig, axs = plt.subplots(figsize=(12, 4))
    
    In [15]: air_quality.groupby(air_quality["datetime"].dt.hour)["value"].mean().plot(
       ....:     kind='bar', rot=0, ax=axs
       ....: )
       ....: 
    Out[15]: <Axes: xlabel='datetime'>
    
    In [16]: plt.xlabel("Hour of the day");  # custom x label using Matplotlib
    
    In [17]: plt.ylabel("$NO_2 (µg/m^3)$");
    
    ../../_images/09_bar_chart.png

    与之前的情况类似,我们希望计算给定的统计量(例如,平均\(NO_2\))**对于一天中的每个小时**,并且我们可以再次使用拆分-应用-合并方法。对于这种情况,我们使用 pandas Timestamp的日期时间属性hour,也可以通过dt访问器访问。

以日期时间作为索引#

重塑表格教程中,pivot() 被用来将数据表格重塑,每个测量位置作为单独的列。

In [18]: no_2 = air_quality.pivot(index="datetime", columns="location", values="value")

In [19]: no_2.head()
Out[19]: 
location                   BETR801  FR04014  London Westminster
datetime                                                       
2019-05-07 01:00:00+00:00     50.5     25.0                23.0
2019-05-07 02:00:00+00:00     45.0     27.7                19.0
2019-05-07 03:00:00+00:00      NaN     50.4                19.0
2019-05-07 04:00:00+00:00      NaN     61.9                16.0
2019-05-07 05:00:00+00:00      NaN     72.4                 NaN

注意

通过透视数据,日期时间信息成为了表格的索引。通常,将一列设置为索引可以通过 set_index 函数实现。

使用日期时间索引(即 DatetimeIndex)提供了强大的功能。例如,我们不需要 dt 访问器来获取时间序列属性,而是可以直接在索引上获取这些属性。

In [20]: no_2.index.year, no_2.index.weekday
Out[20]: 
(Index([2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019,
        ...
        2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019],
       dtype='int32', name='datetime', length=1033),
 Index([1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        ...
        3, 3, 3, 3, 3, 3, 3, 3, 3, 4],
       dtype='int32', name='datetime', length=1033))

其他一些优势包括方便地对时间段进行子集选择,以及在绘图中使用自适应时间刻度。让我们将这些应用到我们的数据中。

  • 绘制从 5 月 20 日到 5 月 21 日结束的不同站点 \(NO_2\) 值的图表。

    In [21]: no_2["2019-05-20":"2019-05-21"].plot();
    
    ../../_images/09_time_section.png

    通过提供一个可以解析为日期时间的字符串,可以在 DatetimeIndex 上选择数据的特定子集。

用户指南

有关 DatetimeIndex 和使用字符串进行切片的更多信息,请参阅有关时间序列索引的部分。

将时间序列重采样到另一个频率#

  • 将当前每小时时间序列值聚合到每个站点的每月最大值。

    In [22]: monthly_max = no_2.resample("ME").max()
    
    In [23]: monthly_max
    Out[23]: 
    location                   BETR801  FR04014  London Westminster
    datetime                                                       
    2019-05-31 00:00:00+00:00     74.5     97.0                97.0
    2019-06-30 00:00:00+00:00     52.5     84.7                52.0
    

    对于具有日期时间索引的时间序列数据,一个非常强大的方法是能够resample() 将时间序列重采样到另一个频率(例如,将秒级数据转换为 5 分钟数据)。

resample() 方法类似于 groupby 操作。

  • 它通过使用一个字符串(例如 M5H,…)来定义目标频率,从而提供基于时间的分组。

  • 它需要一个聚合函数,例如 meanmax 等。

用户指南

有关用于定义时间序列频率的别名的概述,请参见 别名概述表

定义后,时间序列的频率由 freq 属性提供。

In [24]: monthly_max.index.freq
Out[24]: <MonthEnd>
  • 绘制每个站点的每日平均 \(NO_2\) 值。

    In [25]: no_2.resample("D").mean().plot(style="-o", figsize=(10, 5));
    
    ../../_images/09_resample_mean.png
用户指南

有关时间序列 resampling 功能的更多详细信息,请参见用户指南中的 重采样 部分。

记住

  • 可以使用 to_datetime 函数或作为读取函数的一部分将有效的日期字符串转换为日期时间对象。

  • pandas 中的日期时间对象支持使用 dt 访问器进行计算、逻辑运算和方便的日期相关属性操作。

  • DatetimeIndex 包含这些日期相关属性,并支持方便的切片。

  • Resample 是一种强大的方法,可以更改时间序列的频率。

用户指南

有关时间序列的完整概述,请参见有关 时间序列和日期功能 的页面。