In [1]: import pandas as pd
In [2]: import matplotlib.pyplot as plt
-
空气质量数据
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]: <ArrowStringArray> ['Paris', 'Antwerpen', 'London'] Length: 3, dtype: str
如何轻松处理时间序列数据#
使用 pandas datetime 属性#
我想将
datetime列中的日期作为 datetime 对象处理，而不是纯文本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[us, UTC]
最初，
datetime中的值是字符串，不提供任何 datetime 操作（例如，提取年份、星期几等）。通过应用to_datetime函数，pandas 会解析字符串并将其转换为 datetime（即datetime64[ns, UTC]）对象。在 pandas 中，我们将这些与标准库中的datetime.datetime类似的 datetime 对象称为pandas.Timestamp。
注意
由于许多数据集都包含列中的 datetime 信息，pandas 输入函数如 pandas.read_csv() 和 pandas.read_json() 可以使用 parse_dates 参数（传入要读取为 Timestamp 的列列表）在读取数据时执行到日期的转换。
pd.read_csv("../data/air_quality_no2_long.csv", parse_dates=["datetime"])
为什么这些 pandas.Timestamp 对象有用？让我们通过一些示例来说明其附加价值。
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 处理 datetime 使我们能够使用日期信息进行计算并使其可比较。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，它定义了时间跨度。
pandas 支持的各种时间概念在用户指南的 时间相关概念 部分有详细解释。
我想向
DataFrame添加一个新列，其中只包含测量月份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对象处理日期，pandas 提供了许多与时间相关的属性。例如，month，以及year、quarter等。所有这些属性都可以通过dt访问器访问。
现有日期属性的概述在 时间和日期组件概述表 中给出。关于 dt 访问器（用于返回 datetime 类属性）的更多详细信息在 dt 访问器 的专门部分中进行了说明。
每个测量地点每天的平均 \(NO_2\) 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
groupby提供的拆分-应用-合并模式吗？在这里，我们想计算 **每个工作日** 和 **每个测量地点** 的给定统计量（例如，平均 \(NO_2\)）。为了按星期几分组，我们使用 pandasTimestamp的星期几属性weekday（周一=0，周日=6），它也可以通过dt访问器访问。可以对地点和星期几进行分组，以拆分对这些组合的平均值计算。危险
由于我们在这些示例中处理的是非常短的时间序列，因此分析结果不能代表长期情况！
绘制所有站点时间序列在一天中典型的 \(NO_2\) 模式。换句话说，一天中的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("$NO_2 (µg/m^3)$");
与上一种情况类似，我们想计算 **一天中每个小时** 的给定统计量（例如，平均 \(NO_2\)），并且可以再次使用拆分-应用-合并方法。在这种情况下，我们使用 pandas
Timestamp的小时属性hour，它也可以通过dt访问器访问。
日期时间作为索引#
在 重塑教程 中，介绍了 pivot() 函数来重塑数据表，其中每个测量地点都成为一个单独的列。
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，日期时间信息成为表的索引。通常，可以通过 set_index 函数将列设置为索引。
使用日期时间索引（即 DatetimeIndex）提供了强大的功能。例如，我们不再需要 dt 访问器来获取时间序列属性，而是可以直接在索引上访问这些属性。
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))
其他一些优点是方便的时间段子集选择或绘图中适应的时间尺度。让我们将此应用于我们的数据。
创建一张图，显示从 5 月 20 日到 5 月 21 日期间不同站点的 \(NO_2\) 值。
In [21]: no_2["2019-05-20":"2019-05-21"].plot();
通过提供一个 **可解析为 datetime 的字符串**，可以在
DatetimeIndex上选择数据的特定子集。
关于 DatetimeIndex 和使用字符串进行切片操作的更多信息，请参阅 时间序列索引 部分。
将时间序列重采样到另一个频率#
将当前每小时的时间序列值聚合到每个站点的月度最大值。
In [22]: monthly_max = no_2.resample("MS").max() In [23]: monthly_max Out[23]: location BETR801 FR04014 London Westminster datetime 2019-05-01 00:00:00+00:00 74.5 97.0 97.0 2019-06-01 00:00:00+00:00 52.5 84.7 52.0
带有 datetime 索引的时间序列的一个非常强大的方法是能够将时间序列
resample()到另一个频率（例如，将每秒数据转换为 5 分钟数据）。
resample() 方法类似于 groupby 操作
它通过使用定义目标频率的字符串（例如
M、5H等）提供基于时间的 grouping它需要一个聚合函数，如
mean、max等。
用于定义时间序列频率的别名概述在 偏移量别名概述表 中给出。
定义后，时间序列的频率由 freq 属性提供。
In [24]: monthly_max.index.freq
Out[24]: <MonthBegin>
绘制每个站点每日平均 \(NO_2\) 值的图。
In [25]: no_2.resample("D").mean().plot(style="-o", figsize=(10, 5));
有关时间序列 resampling 功能的更多详细信息，请参阅用户指南的 resampling 部分。
请记住
可以使用
to_datetime函数或作为 read 函数的一部分，将有效的日期字符串转换为 datetime 对象。pandas 中的 datetime 对象通过
dt访问器支持计算、逻辑运算和方便的日期相关属性。DatetimeIndex包含这些日期相关的属性，并支持方便的切片。Resample是更改时间序列频率的强大方法。
时间序列的完整概述可以在 时间序列和日期功能 页面上找到。