DataWhale & Pandas(时序数据)
写在前面:
这一个月来的pandas学习,衔接了十一月的numpy和一月份的LeetCode,本以为是普普通通的pandas学习,就简单复习一下,哎,你猜怎么着,我是万万没想到啊,之前学的那就叫认识了个名词,在DW各位助教和群里大神还有队长楠楠的帮助下,这个小菜鸟,有了飞速的成长,毫不夸张的说,这一个月所学到的东西,占到了2020年全年的六成以上,光是在群里不讲话看看他们的解题思路就能学到很多东西。当然也感谢耿老师的开源学习资料,对,就上面那个蓝色的链接(pandas学习手册),虽然今天它崩了
不过问题不大, 已经学完了(机智),最后呢感谢各位的帮助,认识大家都很开心啊,虽然这段时间我的生活过的比较坎坷,但是学习上还好是没跑偏,在这其中呢,也少不了各位的帮助和助教的鼓励。这是这期的结束,同时,也是新一年学习的开始,大家,一起加油呀!
学习大纲:
目录
普通的expanding函数于rolling(window = len(s),min_periods = 1),是对序列的累计计算
时间点的创建
- to_datetime方法
pd.to_datetime('2021.1.1') pd.to_datetime('2021 1.1') pd.to_datetime('20210101') pd.to_datetime('2021.0101')
- 时间精度与范围限制(Timestamp的精度最小到纳秒(ns))
#时间范围 pd.Timestamp.min #最小 pd.Timestamp.max #最大 #精度 pd.to_datetime('2020/1/1 00:00:00.123456789')
- date_range方法
pd.date_range(start='2021/1/1',end='2021/1/10',periods=3) pd.date_range(start='2021/1/1',end='2021/1/10',freq='D') pd.date_range(start='2021/1/1',periods=3,freq='D') pd.date_range(end='2021/1/3',periods=3,freq='D') #start/end/periods(时间点个数)/freq(间隔方法)
时序索引切片
- random.randn(a)生成标准正态分布;
- random.randn(a,b)生成a行b列的标准正态分布。
range1 = pd.date_range('2020','2021', freq='W') tg = pd.Series(np.random.randn(len(range1)), index=range1) tg.head() ##运行结果: #2020-01-05 -0.275349 #2020-01-12 2.359218 #2020-01-19 -0.447633 #2020-01-26 -0.479830 #2020-02-02 0.517587 #Freq: W-SUN, dtype: float64
ts['2020-01-05'] # 0.009639339138300618
利用strftime重新修改时间格式
pd.Series(ts.index).dt.strftime('%Y*%m*%d').head() #0 2020*01*05 #1 2020*01*12 #2 2020*01*19 #3 2020*01*26 #4 2020*02*02 #dtype: object
普通的expanding函数于rolling(window = len(s),min_periods = 1),是对序列的累计计算
s.rolling(window=len(s),min_periods=1).sum().head() #2020-01-01 0.842824 #2020-01-02 1.668950 #2020-01-03 2.529507 #2020-01-04 3.041409 #2020-01-05 3.186310 #Freq: D, dtype: float64 s.expanding().sum().head() #2020-01-01 0.842824 #2020-01-02 1.668950 #2020-01-03 2.529507 #2020-01-04 3.041409 #2020-01-05 3.186310 #Freq: D, dtype: float64
时空数据
import numpy as np
import pandas as pd
一、时序中的基本对象
时间序列的概念在日常生活中十分常见,但对于一个具体的时序事件而言,可以从多个时间对象的角度来描述。例如2020年9月7日周一早上8点整需要到教室上课,这个课会在当天早上10点结束,其中包含了哪些时间概念?
第一,会出现时间戳(Date times)的概念,即'2020-9-7 08:00:00'和'2020-9-7 10:00:00'这两个时间点分别代表了上课和下课的时刻,在
pandas
中称为Timestamp
。同时,一系列的时间戳可以组成DatetimeIndex
,而将它放到Series
中后,Series
的类型就变为了datetime64[ns]
,如果有涉及时区则为datetime64[ns, tz]
,其中tz是timezone的简写。第二,会出现时间差(Time deltas)的概念,即上课需要的时间,两个
Timestamp
做差就得到了时间差,pandas中利用Timedelta
来表示。类似的,一系列的时间差就组成了TimedeltaIndex
, 而将它放到Series
中后,Series
的类型就变为了timedelta64[ns]
。第三,会出现时间段(Time spans)的概念,即在8点到10点这个区间都会持续地在上课,在
pandas
利用Period
来表示。类似的,一系列的时间段就组成了PeriodIndex
, 而将它放到Series
中后,Series
的类型就变为了Period
。第四,会出现日期偏置(Date offsets)的概念,假设你只知道9月的第一个周一早上8点要去上课,但不知道具体的日期,那么就需要一个类型来处理此类需求。再例如,想要知道2020年9月7日后的第30个工作日是哪一天,那么时间差就解决不了你的问题,从而
pandas
中的DateOffset
就出现了。同时,pandas
中没有为一列时间偏置专门设计存储类型,理由也很简单,因为需求比较奇怪,一般来说我们只需要对一批时间特征做一个统一的特殊日期偏置。
概念 | 单元素类型 | 数组类型 | pandas数据类型 |
---|---|---|---|
Date times | Timestamp | DatetimeIndex | datetime64[ns] |
Time deltas | Timedelta | TimedeltaIndex | timedelta64[ns] |
Time spans | Period | PeriodIndex | period[freq] |
Date offsets | DateOffset | None | None |
二、时间戳
1. Timestamp的构造及属性
- 单个时间戳通过
pd.Timestamp
实现,一般来讲常见的日期格式能够被成功转换- 可以通过
year,month,day,hour,min,second
来获取对应的具体数值- 通过
pd.Timestamp.max
和pd.Timestamp.min
可以获取时间戳表示的范围
2. Datetime序列的生成
- 一组时间戳可以组成时间序列,可以用
to_datetime和date_range
来生成,to_datetime
能够把一列时间戳格式的对象转换成为datetime64[ns]
类型的时间序列- 在极少数情况,时间戳格式不满足时,可以通过强制使用
format
进行匹配- 如果是非
pandas
内部的Series
,因此返回的是DatetimeIndex
,如果想要转为datetime64[ns]
的序列,需要显式用Series
转化date_range
是一种生成连续间隔时间的一种方法,其重要的参数为start, end, freq, periods
,它们分别表示开始时间,结束时间,时间间隔,时间戳个数- 改变序列采样频率的方法
asfreq
,它能够根据给定的freq
对序列进行类似于reindex
的操作,新的Index值为缺失
3. dt对象
- 如同
category, string
的序列上定义了cat, str
来完成分类数据和文本数据的操作,在时序类型的序列上定义了dt
对象来完成许多时间序列的相关操作。- 对于
datetime64[ns]
类型而言,可以大致分为三类操作:取出时间相关的属性、判断时间戳是否满足条件、取整操作。- 第一类操作的常用属性包括:
date, time, year, month, day, hour, minute, second, microsecond, nanosecond, dayofweek, dayofyear, weekofyear, daysinmonth, quarter
,其中daysinmonth, quarter
分别表示月中的第几天和季度。- 经常使用的是
dayofweek
,它返回了周中的星期情况,周一为0、周二为1- 可以通过
month_name, day_name
返回英文的月名和星期名,注意它们是方法而不是属性- 判断时间戳是否满足条件:
is_year_start,is_year_end
s.dt.is_year_start # 还可选 is_quarter/month_start s.dt.is_year_end # 还可选 is_quarter/month_end
- 取整操作:取整操作包含
round, ceil, floor
,它们的公共参数为freq
,常用的包括H, min, S
(小时、分钟、秒)
4. 时间戳的切片与索引
- 如果想要选出某个子时间戳序列,第一类方法是利用 dt 对象和布尔条件联合使用,另一种方式是利用切片,后者常用于连续时间戳
三、时间差
1. Timedelta的生成
- 间差可以理解为两个时间戳的差,可以通过
pd.Timedelta
来构造- 生成时间差序列的主要方式是
pd.to_timedelta
,其类型为timedelta64[ns]
- 与
date_range
一样,时间差序列也可以用timedelta_range
来生成,它们两者具有一致的参数- 对于
Timedelta
序列,同样可以定义 dt 对象,dt主要定义的属性包括days, seconds, mircroseconds, nanoseconds
,它们分别返回了对应的时间差特征。需要注意的是,这里的seconds
不是指单纯的秒,而是对天数取余后剩余的秒数,如果想要直接得到对应的秒数total_seconds
2. Timedelta的运算
- 与标量的乘法运算、与时间戳的加减法运算、与时间差的加减法与除法运算:
四、日期偏置
1. Offset对象
Offset
对象在pd.offsets
中被定义。当使用+
时获取离其最近的下一个日期,当使用-
时获取离其最近的上一个日期- 在
Offset
中,需要介绍一个特殊的Offset
对象CDay
,其中的holidays, weekmask
参数能够分别对自定义的日期和星期进行过滤,前者传入了需要过滤的日期列表,后者传入的是三个字母的星期缩写构成的星期字符串,其作用是只保留字符串中出现的星期
注意:不要使用部分
Offset
- 在当前版本下由于一些
bug
,不要使用Day
级别以下的Offset
对象,比如Hour, Second
等,请使用对应的Timedelta
对象来代替
2. 偏置字符串
- 在
pandas
中几乎每一个Offset
对象绑定了日期偏置字符串(frequencies strings/offset aliases
),可以指定Offset
对应的字符串来替代使用
注意:关于时区问题的说明
- 各类时间对象的开发,除了使用
python
内置的datetime
模块,pandas
还利用了dateutil
模块,很大一部分是为了处理时区问题。总所周知,我国是没有夏令时调整时间一说的,但有些国家会有这种做法,导致了相对而言一天里可能会有23/24/25个小时,也就是relativedelta
,这使得Offset
对象和Timedelta
对象有了对同一问题处理产生不同结果的现象
五、时序中的滑窗与分组
1. 滑动窗口
- 时序的滑窗函数,即把滑动窗口用
freq
关键词代替- 对于
shift
函数而言,作用在datetime64
为索引的序列上时,可以指定freq
单位进行滑动datetime64[ns]
的序列进行diff
后就能够得到timedelta64[ns]
的序列,这能够使用户方便地观察有序时间序列的间隔
2. 重采样
- 重采样对象
resample
与groupby
的用法相似。- 没有内置定义函数是可以用
apply
方法进行自定义- 在
resample
中要特别注意组边界值的处理情况,默认情况下起始值的计算方法是从最小值时间戳对应日期的午夜00:00:00
开始增加freq
,直到不超过该最小时间戳的最大时间戳,由此对应的时间戳为起始值,然后每次累加freq
参数作为分割结点进行分组,区间情况为左闭右开。- 用户希望从序列的最小时间戳开始依次增加
freq
进行分组,此时可以指定origin
参数为start
- 索引一般是取组的第一个时间戳,但
M, A, Q, BM, BA, BQ, W
这七个是取对应区间的最后一个时间戳
六、练习
Ex1:太阳辐射数据集
现有一份关于太阳辐射的数据集:
df = pd.read_csv('../data/solar.csv', usecols=['Data','Time','Radiation','Temperature']) df.head(3)
- 将
Datetime, Time
合并为一个时间列Datetime
,同时把它作为索引后排序。# to_datetime将多列合并转为时间序列
每条记录时间的间隔显然并不一致,请解决如下问题:
- 找出间隔时间的前三个最大值所对应的三组时间戳。
s = df.index.to_series().reset_index(drop=True).diff().dt.total_seconds() max_3 = s.nlargest(3).index df.index[max_3.union(max_3-1)]
- 是否存在一个大致的范围,使得绝大多数的间隔时间都落在这个区间中?如果存在,请对此范围内的样本间隔秒数画出柱状图,设置
bins=50
。res = s.mask((s>s.quantile(0.99))|(s<s.quantile(0.01))) _ = plt.hist(res, bins=50)
求如下指标对应的
Series
:
- 温度与辐射量的6小时滑动相关系数
- 以三点、九点、十五点、二十一点为分割,该观测所在时间区间的温度均值序列
- 每个观测6小时前的辐射量(一般而言不会恰好取到,此时取最近时间戳对应的辐射量)
Ex2:水果销量数据集
现有一份2019年每日水果销量记录表:
df = pd.read_csv('../data/fruit.csv') df.head(3)
统计如下指标:
- 每月上半月(15号及之前)与下半月葡萄销量的比值
- 每月最后一天的生梨销量总和
- 每月最后一天工作日的生梨销量总和
- 每月最后五天的苹果销量均值
- 按月计算周一至周日各品种水果的平均记录条数,行索引外层为水果名称,内层为月份,列索引为星期。
- 按天计算向前10个工作日窗口的苹果销量均值序列,非工作日的值用上一个工作日的结果填充。