Pandas基础(十一)时间序列

• 1. pandas时间序列：时间索引
• 2. pandas时间序列数据结构
  • 2.1 按期序列
• 3. 频率和偏移
• 4. 重采样，转移，加窗口
  • 4.1 重采样及频率转换
  • 4.2 时间移动
  • 4.3 滚动窗口
• 5. 更多操做

pandas提供了一套标准的时间序列处理工具和算法，使得咱们能够很是高效的处理时间序列，好比切片、聚合、重采样等等。

本节咱们讨论如下三种时间序列：

• 时间戳（time stamp）：一个特定的时间点，好比2018年4月2日。
• 时间间隔和时期（time period）：两个特定的时间起点和终点，好比2018年4月2日－2019年4月2日。
• 时间差或持续时间（time deltas）：特定的时间长度，好比20秒。

Python的时间序列处理是一个很重要的话题，尤为在金融领域有着很是重要的应用。本节只作简单的介绍，若是之后有须要的话再深刻学习。本文参考的Working with Time Series对python原生的日期时间处理模块datetime，numpy日期时间处理模块datetime64，以及第三方日期时间处理模块dateutil等都作了介绍，咱们这里跳过这些，直接进入pandas的时间序列。

1. import numpy as np
2. import pandas as pd

1. pandas时间序列：时间索引

当你使用时间戳做为数据索引的时候，pandas的时间序列工具就变得是非有用。

1. index = pd.DatetimeIndex(['2014-07-04', '2014-08-04',
2. '2015-07-04', '2015-08-04'])
3. data = pd.Series([0, 1, 2, 3], index=index)
4. data
5. #> 2014-07-04 0
6. #> 2014-08-04 1
7. #> 2015-07-04 2
8. #> 2015-08-04 3
9. #> dtype: int64
11. data['2014-07-04':'2015-07-04']
12. #> 2014-07-04 0
13. #> 2014-08-04 1
14. #> 2015-07-04 2
15. #> dtype: int64
17. data['2015']
18. #> 2015-07-04 2
19. #> 2015-08-04 3
20. #> dtype: int64

2. pandas时间序列数据结构

• 对于时间戳，pandas提供了Timestamp类型。它基于numpy.datetime64数据类型，与与之相关的索引类型是DatetimeIndex。

• 对于时间时期，pandas提供了Period类型，它是基于numpy.datetime64编码的固定频率间隔。与之相关的索引类型是PeriodIndex。

• 对于时间差，pandas提供了Timedelta类型，一样基于numpy.datetime64。与之相关的索引结构是TimedeltaIndex。

最基本的时间/日期是时间戳Timestamp和DatetimeIndex。可是咱们能够直接使用pd.to_datetime()函数来直接解析不一样的格式。传入单个日期给pd.to_datetime()返回一个Timestamp，传入一系列日期默认返回DatetimeIndex。

1. dates = pd.to_datetime([datetime(2015, 7, 3), '4th of July, 2015',
2. '2015-Jul-6', '07-07-2015', '20150708'])
3. dates
5. #> DatetimeIndex(['2015-07-03', '2015-07-04', '2015-07-06', '2015-07-07',
6. #> '2015-07-08'],
7. #> dtype='datetime64[ns]', freq=None)

当一个日期减去另外一个日期的时候，TimedeltaIndex就会被建立：

1. dates - dates[0]
3. #> TimedeltaIndex(['0 days', '1 days', '3 days', '4 days', '5 days'], dtype='timedelta64[ns]', freq=None)

2.1 按期序列

为了方便地建立按期的日期序列，pandas提供了一些函数：pd.date_range()建立时间戳，pd.period_range()建立时期，pd.timedelta_range()建立时间差。默认状况下频率间隔是一天。

1. pd.date_range('2015-07-03', '2015-07-10')
3. #> DatetimeIndex(['2015-07-03', '2015-07-04', '2015-07-05', '2015-07-06',
4. #> '2015-07-07', '2015-07-08', '2015-07-09', '2015-07-10'],
5. #> dtype='datetime64[ns]', freq='D')

另外能够不指定终点，而是提供一个时期数：

1. pd.date_range('2015-07-03', periods=8)
3. #> DatetimeIndex(['2015-07-03', '2015-07-04', '2015-07-05', '2015-07-06',
4. #> '2015-07-07', '2015-07-08', '2015-07-09', '2015-07-10'],
5. #> dtype='datetime64[ns]', freq='D')

频率间隔能够经过freq参数设置，默认是D:

1. pd.date_range('2015-07-03', periods=8, freq='H')
3. #> DatetimeIndex(['2015-07-03 00:00:00', '2015-07-03 01:00:00',
4. #> '2015-07-03 02:00:00', '2015-07-03 03:00:00',
5. #> '2015-07-03 04:00:00', '2015-07-03 05:00:00',
6. #> '2015-07-03 06:00:00', '2015-07-03 07:00:00'],
7. #> dtype='datetime64[ns]', freq='H')

相似的

1. pd.period_range('2015-07', periods=8, freq='M')
2. #> PeriodIndex(['2015-07', '2015-08', '2015-09', '2015-10', '2015-11', '2015-12',
3. #> '2016-01', '2016-02'],
4. #> dtype='period[M]', freq='M')
6. pd.timedelta_range(0, periods=10, freq='H')
7. #> TimedeltaIndex(['00:00:00', '01:00:00', '02:00:00', '03:00:00', '04:00:00',
8. #> '05:00:00', '06:00:00', '07:00:00', '08:00:00', '09:00:00'],
9. #> dtype='timedelta64[ns]', freq='H')

3. 频率和偏移

以上这些时间序列处理工具最基础的概念是频率和时间偏移。下表总结了主要的代码表示：

代码	描述	代码	描述
D	日历天	L	厘秒
W	星期	U	毫秒
M	月末	N	纳秒
Q	季度末	B	工做日
A	年底	BM	工做月末
H	小时	BQ	工做季末
T	分钟	BA	工做年底
S	秒	BH	工做时

上面的月，季度以及周期性频率都被标记为这一时期的终点，若是想变成起始点能够加S后缀。

代码	描述	代码	描述
MS	月初	BMS	工做月初
QS	季度初	BQS	工做季初
AS	年初	BAS	工做年初

另外，还能够经过加后缀的方法改变季度或年的月份等。

• Q-JAN, BQ-FEB, BQS-APR等等；

• A-JAN, BA-FEB, BAS-APR等等。

  相似的，星期也能够分解成周一，周二…

• W-SUN, W-MON, W-WED等等

  以上这些代码还能够与数字结合来表示频率，　例如咱们要表示2小时30分的频率：

1. pd.timedelta_range(0, periods=9, freq="2H30T")
3. #> TimedeltaIndex(['00:00:00', '02:30:00', '05:00:00', '07:30:00', '10:00:00',
4. #> '12:30:00', '15:00:00', '17:30:00', '20:00:00'],
5. #> dtype='timedelta64[ns]', freq='150T')

以上这些代码表示的含义还能够经过pd.tseries.offsets模块表示：

1. from pandas.tseries.offsets import BDay
2. pd.date_range('2015-07-01', periods=5, freq=BDay())
4. #> DatetimeIndex(['2015-07-01', '2015-07-02', '2015-07-03', '2015-07-06',
5. #> '2015-07-07'],
6. #> dtype='datetime64[ns]', freq='B')

更加详细的讨论能够看DateOffset。

4. 重采样，转移，加窗口

咱们以一些真实的金融数据为例讲解，pandas-datareader(可经过conda install pandas-datareader来安装, 若是)包包含谷歌，雅虎等公司的金融数据。

1. from pandas_datareader import data
3. goog = data.DataReader('GOOG', start='2004', end='2016',
4. data_source='google')
5. goog.head()
7. #> Open High Low Close Volume
8. #> Date
9. #> 2004-08-19 49.96 51.98 47.93 50.12 NaN
10. #> 2004-08-20 50.69 54.49 50.20 54.10 NaN
11. #> 2004-08-23 55.32 56.68 54.47 54.65 NaN
12. #> 2004-08-24 55.56 55.74 51.73 52.38 NaN
13. #> 2004-08-25 52.43 53.95 51.89 52.95 NaN

简单起见，咱们只是用收盘价格

1. goog = goog['Close']

为了更好的说明问题，咱们能够利用matplotlib对数据进行可视化，关于matplotlib能够经过Python for Data Analysis这本书进行学习，也能够经过官网的gallary进行学习，我我的当时是在官网看了大量的实例，有什么需求直接去官网找例子，都很方便。本系列学习笔记不会包含数据可视化部分。

1. import matplotlib.pyplot as plt
3. goog.plot()

4.1 重采样及频率转换

重采样(resampling)指的是将时间序列从一个频率转换到另外一个频率的处理过程。将高频数据聚合到低频称为降采样（downsampling），将低频数据转换到高频则称为升采样（upsampling）。除此之外还存在一种采样方式既不是升采样，也不是降采样，好比W-WED转换成W-FRI。

能够经过resample()函数来实现，也能够经过更简单的方式asfreq()函数来实现。二者基本的不一样点在于resample()是一种数据聚合方式asfreq()是一种数据选取方式。

1. goog.plot(alpha=0.5, style='-')
2. goog.resample('BA').mean().plot(style=':')
3. goog.asfreq('BA').plot(style='--');
4. plt.legend(['input', 'resample', 'asfreq'],
5. loc='upper left')

resample()的处理过程是取全年的数据的平均值，而asfreq()是选取年底的时间点的数据。

对于升采样来讲，resample()与asfreq()是等效的。对于空置采样点都会用NaN来进行填充。就像pd.fillna()方法，asfreq()接受一个参数method可指定缺失值的填充方法。ffill表示与前面的值保持一致，bfill表示与后面的值保持一致等等。

1. fig, ax = plt.subplots(2, sharex=True)
2. data = goog.iloc[:10]
4. data.asfreq('D').plot(ax=ax[0], marker='o')
6. data.asfreq('D', method='bfill').plot(ax=ax[1], style='-o')
7. data.asfreq('D', method='ffill').plot(ax=ax[1], style='--o')
8. ax[1].legend(["back-fill", "forward-fill"])

4.2 时间移动

另外一个与时间序列相关的操做是数据在时间轴的移动。pandas提供了两个相关的函数：shift()和tshift()，二者的不一样是shift()移动的是数据，tshift()移动的是时间轴(索引)。

1. fig, ax = plt.subplots(3, sharey=True)
3. # apply a frequency to the data
4. goog = goog.asfreq('D', method='pad')
6. goog.plot(ax=ax[0])
7. goog.shift(900).plot(ax=ax[1])
8. goog.tshift(900).plot(ax=ax[2])
10. # legends and annotations
11. local_max = pd.to_datetime('2007-11-05')
12. offset = pd.Timedelta(900, 'D')
14. ax[0].legend(['input'], loc=2)
15. ax[0].get_xticklabels()[2].set(weight='heavy', color='red')
16. ax[0].axvline(local_max, alpha=0.3, color='red')
18. ax[1].legend(['shift(900)'], loc=2)
19. ax[1].get_xticklabels()[2].set(weight='heavy', color='red')
20. ax[1].axvline(local_max + offset, alpha=0.3, color='red')
22. ax[2].legend(['tshift(900)'], loc=2)
23. ax[2].get_xticklabels()[1].set(weight='heavy', color='red')
24. ax[2].axvline(local_max + offset, alpha=0.3, color='red')

时移一个重要做用即便计算一段时间内的差异，好比计算谷歌股票一年的投资回报率：

1. ROI = 100 * (goog.tshift(-365) / goog - 1)
2. ROI.plot()
3. plt.ylabel('% Return on Investment')

4.3 滚动窗口

滚动统计是时间序列的又一重要的操做。能够经过Series和DataFrame的rolling()方法实现，返回相似于groupby的操做，一样也有许多数据聚合的操做。

1. rolling = goog.rolling(365, center=True)
3. data = pd.DataFrame({'input': goog,
4. 'one-year rolling_mean': rolling.mean(),
5. 'one-year rolling_std': rolling.std()})
6. ax = data.plot(style=['-', '--', ':'])
7. ax.lines[0].set_alpha(0.3)