时期（period）表示的是时间区间，比如数日、数月、数季、数年等。period类表示的就是这种数据类型，其构造函数需要一个字符串或整数，以及下表的频率。

# 表示从2007年1月1日-2007年12月31日之间的整段时间
p=pd.Period(2007,freq='A-DEC') # Period('2007', 'A-DEC')

p+5 # Period('2012', 'A-DEC')

p-2 # Period('2005', 'A-DEC')

pd.Period(2014,freq='A-DEC')-p # <7 * YearEnds: month=12>

period_range函数：用于创建规则的时期范围。

rng=pd.period_range('1/1/2000','6/30/2000',freq='M')
# PeriodIndex(['2000-01', '2000-02', '2000-03', '2000-04', '2000-05', '2000-06'], dtype='period[M]', freq='M')

pd.Series(np.random.randn(len(rng)),index=rng)
# 2000-01   -0.079781
# 2000-02   -0.479156
# 2000-03   -1.101500
# 2000-04    0.123803
# 2000-05    1.200151
# 2000-06   -0.034314
# Freq: M, dtype: float64

values=['2001Q3','2002Q2','2003Q3']
index=pd.PeriodIndex(values,freq='Q-DEC')
# PeriodIndex(['2001Q3', '2002Q2', '2003Q3'], dtype='period[Q-DEC]', freq='Q-DEC')

1 时期的频率转换

Period和PeriodIndex对象都可以通过其asfreq方法转换成别的频率。假设我们有一个年度时间，希望将其转换为当年年初或年末的一个月度时期：

p=pd.Period(2007,freq='A-DEC') # Period('2007', 'A-DEC')
p.asfreq('M',how='start') # Period('2007-01', 'M')
p.asfreq('M',how='end') # Period('2007-12', 'M')

对于一个不以12月结束的财政年度，月度子时期的归属情况就不同：

p=pd.Period(2007,freq='A-JUN') # Period('2007', 'A-JUN')
p.asfreq('M',how='start') # Period('2006-07', 'M')
p.asfreq('M',how='end') # Period('2007-06', 'M')

在将高频率转换为低频率时，超时期（superperiod）是由子时期（subperiod）所属的位置决定的。例如在A-JUN频率中，2007.8实际上是属于2008年的：

p=pd.Period('2007-08',freq='M') # Period('2007-08', 'M')
p.asfreq('A-JUN') # Period('2008', 'A-JUN')

2 按季度计算的时期频率

pandas支持12种可能的季度型频率，即Q-JAN到Q-DEC:

p=pd.Period('2012Q4',freq='Q-JAN') # Period('2012Q4', 'Q-JAN')

p.asfreq('D','start') # Period('2011-11-01', 'D')
p.asfreq('D','end') # Period('2012-01-31', 'D')

要取该季度倒数第二个工作日下午4点的时间戳：

p4pm=(p.asfreq('B','end')-1).asfreq('T','start')+16*60
# Period('2012-01-30 16:00', 'T')

p4pm.to_timestamp()
# Timestamp('2012-01-30 16:00:00')

period_range还可以用于生成季度型范围：

rng=pd.period_range('2011Q3','2012Q4',freq='Q-JAN') 
# PeriodIndex(['2011Q3', '2011Q4', '2012Q1', '2012Q2', '2012Q3', '2012Q4'], dtype='period[Q-JAN]', freq='Q-JAN')
ts=pd.Series(np.arange(len(rng)),index=rng)

2011Q3    0
2011Q4    1
2012Q1    2
2012Q2    3
2012Q3    4
2012Q4    5
Freq: Q-JAN, dtype: int32

new_rng=(rng.asfreq('B','end')-1).asfreq('T','start')+16*60
ts.index=new_rng.to_timestamp()

2010-10-28 16:00:00    0
2011-01-28 16:00:00    1
2011-04-28 16:00:00    2
2011-07-28 16:00:00    3
2011-10-28 16:00:00    4
2012-01-30 16:00:00    5
dtype: int32

3 将Timestamp转换为Period（及其反向过程）

to_period函数：将由时间戳索引的Series和DataFrame转换为以时期索引。

rng=pd.date_range('1/1/2000',periods=3,freq='M')
ts=pd.Series(np.random.randn(3),index=rng)
pts=ts.to_period()

ts
# 2000-01-31   -0.444083
# 2000-02-29   -0.359608
# 2000-03-31   -0.291763
# Freq: M, dtype: float64

pts
# 2000-01   -0.337194
# 2000-02   -0.762702
# 2000-03    0.048043
# Freq: M, dtype: float64

反向过程，使用to_timestamp即可：

pts.to_timestamp()
# 2000-01-01   -0.337194
# 2000-02-01   -0.762702
# 2000-03-01    0.048043
# Freq: MS, dtype: float64

4 通过数组创建PeriodIndex

5 重采样及频率转换

重采样（resampling）：将时间序列从一个频率转换到另一个频率的处理过程。

• 降采样（downsampling）：将高频率数据聚合到低频率
• 升采样（upsampling）：将低频率数据转换到高频率

并不是所有的重采样都能这样划分，如将W-WED每周三转换为W-FRI每周五既不是降采样也不是升采样。

python中用resample方法。

升采样

rng=pd.date_range('1/1/2000',periods=100,freq='D')
ts=pd.Series(np.random.randn(len(rng)),index=rng)
ts

2000-01-01   -0.840712
2000-01-02    1.231662
2000-01-03   -1.344757
2000-01-04   -0.666533
2000-01-05    1.496371
                ...   
2000-04-05   -1.033111
2000-04-06   -1.406581
2000-04-07    1.001693
2000-04-08    1.336864
2000-04-09   -2.495294
Freq: D, Length: 100, dtype: float64

# 升采样
ts.resample('M',how='mean')

2000-01-31   -0.308841
2000-02-29   -0.068053
2000-03-31   -0.157603
2000-04-30   -0.748700
Freq: M, dtype: float64

# 升采样
ts.resample('M',how='mean',kind='period')

2000-01   -0.308841
2000-02   -0.068053
2000-03   -0.157603
2000-04   -0.748700
Freq: M, dtype: float64

降采样

rng=pd.date_range('1/1/2000',periods=12,freq='T')
ts=pd.Series(np.arange(len(rng)),index=rng)
ts

2000-01-01 00:00:00     0
2000-01-01 00:01:00     1
2000-01-01 00:02:00     2
2000-01-01 00:03:00     3
2000-01-01 00:04:00     4
2000-01-01 00:05:00     5
2000-01-01 00:06:00     6
2000-01-01 00:07:00     7
2000-01-01 00:08:00     8
2000-01-01 00:09:00     9
2000-01-01 00:10:00    10
2000-01-01 00:11:00    11
Freq: T, dtype: int32

# 降采样
# 想通过求和的方式，将数据聚合到5min块中
ts.resample('5min',how='sum')

2000-01-01 00:00:00    10
2000-01-01 00:05:00    35
2000-01-01 00:10:00    21
Freq: 5T, dtype: int32

传入的频率以“5分钟”的增量定义面元边界。默认情况下，区间左闭右开即closed=‘left’。而当closed=‘right’面元的右边界是包含的，即00:00-00:05的区间中是包含00:05的。

ts.resample('5min',how='sum',closed='right')

1999-12-31 23:55:00     0
2000-01-01 00:00:00    15
2000-01-01 00:05:00    40
2000-01-01 00:10:00    11
Freq: 5T, dtype: int32

OHLC重采样

ts.resample('5min',how='ohlc')

通过groupby进行降采样

另一种降采样的方法：pandas的groupby方法。

rng=pd.date_range('1/1/2000',periods=100,freq='D')
ts=pd.Series(np.arange(len(rng)),index=rng)
ts

2000-01-01     0
2000-01-02     1
2000-01-03     2
2000-01-04     3
2000-01-05     4
              ..
2000-04-05    95
2000-04-06    96
2000-04-07    97
2000-04-08    98
2000-04-09    99
Freq: D, Length: 100, dtype: int32

ts.groupby(lambda x:x.month).mean()

1    15
2    45
3    75
4    95
dtype: int32

ts.groupby(lambda x:x.weekday).mean()

0    47.5
1    48.5
2    49.5
3    50.5
4    51.5
5    49.0
6    50.0
dtype: float64

升采样和插值

通过时期进行重采样

6 时间序列绘图

7 移动窗口函数

指数加权函数

二元移动窗口函数

用户定义的移动窗口函数