pandas 之时间排序

Posted 2022-05-03 诗雨时

                                                                  时间排序

 

在 pandas 中，有一个非常常用的函数 date_range，尤其是在处理时间序列数据时，这个函数的作用就是产生一个 DatetimeIndex，就是时间序列数据的索引。

 

pandas.date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs) → pandas.core.indexes.datetimes.DatetimeIndex

返回一个固定频率的DatetimeIndex。

参数：

    start：str 或 datetime-like，可选，默认值是None，表示日期的起点。

    end：str 或 datetime-like，可选，默认值是None，表示日期的终点。

    periods：int，可选，默认值是None，表示你要从和这个函数产生多少个日期索引值（要生成的周期数）；如果是None的话，那么 start 和 end 必须不能为 None。

    freq：str 或 DateOffset，默认 “D”，表示以自然日为单位，这个参数用来指定计时单位，比如 “5H”表示每隔5个小时计算一次。

名称	说明
B	业务日频率
C	自定义业务日频率
D	日历天频率
W	每周一次的频率
M	月结束频率
SM	月结频次（15次、月末）
BM	业务月末频率
CBM	自定义业务月底频率
MS	月开始频率
SMS	开始频率（1号、15号）
BMS	业务月开始频率
CBMS	自定义业务月开始频率
Q	季度结束频率
BQ	业务季度结束频率
QS	季度开始频
BQS	季度开始频率
A, Y	年底频率
BA, BY	业务年度结束频率
AS, YS	年开始频
BAS, BYS	业务年度开始频率
BH	营业时间频率
H	每小时的频率
T, min	每分钟的频率
S	每秒频率
L, ms	毫秒
U, us	微秒
N	纳秒

    tz：str 或 tzinfo，可选，返回本地化的DatetimeIndex的时区名称，例如' Asia/Hong_Kong '。默认情况下，生成的DatetimeIndex是与时区无关的。

normalize：bool，默认 False。如果为 True 的话，那么在产生时间索引值之前会先把 start 和 end 都转化为当日的午夜 0 点。

name：str，默认 None。给返回的时间索引指定一个名字。

closed：None, ‘left’, ‘right’，可选。默认值为 None，表示 start 和 end 这个区间端点是否包含在区间内，可以有三个值，“left” 表示左闭右开区间，“right” 表示左开右闭区间，None 表示两边都是闭区间。

**kwargs：兼容性，对结果没影响。

import pandas as pd, numpy as np

# 创建时间序列（默认 freq="D"）
time_index = pd.date_range(start="2020-03-01", end="2020-03-15")
print(time_index)
# 运行结果：
DatetimeIndex(['2020-03-01', '2020-03-02', '2020-03-03', '2020-03-04',
               '2020-03-05', '2020-03-06', '2020-03-07', '2020-03-08',
               '2020-03-09', '2020-03-10', '2020-03-11', '2020-03-12',
               '2020-03-13', '2020-03-14', '2020-03-15'],
              dtype='datetime64[ns]', freq='D')

# 创建 10 个时间序列
time_index02 = pd.date_range(start="2020-03-01", periods=10)
print(time_index02)
# 运行结果：
DatetimeIndex(['2020-03-01', '2020-03-02', '2020-03-03', '2020-03-04',
               '2020-03-05', '2020-03-06', '2020-03-07', '2020-03-08',
               '2020-03-09', '2020-03-10'],
              dtype='datetime64[ns]', freq='D')

# 创建一个时间序列，步长 3 天
time_index03 = pd.date_range(start="2020-03-01", periods=10, freq="3D")
print(time_index03)
# 运行结果：
DatetimeIndex(['2020-03-01', '2020-03-04', '2020-03-07', '2020-03-10',
               '2020-03-13', '2020-03-16', '2020-03-19', '2020-03-22',
               '2020-03-25', '2020-03-28'],
              dtype='datetime64[ns]', freq='3D')

# 创建一个时间序列，以分钟为步长
time_index04 = pd.date_range(start="2020-03-01", periods=10, freq="S")
print(time_index04)
# 运行结果：
DatetimeIndex(['2020-03-01 00:00:00', '2020-03-01 00:00:01',
               '2020-03-01 00:00:02', '2020-03-01 00:00:03',
               '2020-03-01 00:00:04', '2020-03-01 00:00:05',
               '2020-03-01 00:00:06', '2020-03-01 00:00:07',
               '2020-03-01 00:00:08', '2020-03-01 00:00:09'],
              dtype='datetime64[ns]', freq='S')

data = np.random.randint(3000, 3010, 10)
print(data)
# 运行结果：
[3001 3005 3001 3009 3002 3008 3002 3000 3001 3003]

time_index05 = pd.Series(data, time_index04)
print(time_index05)
# 运行结果：
2020-03-01 00:00:00    3001
2020-03-01 00:00:01    3005
2020-03-01 00:00:02    3001
2020-03-01 00:00:03    3009
2020-03-01 00:00:04    3002
2020-03-01 00:00:05    3008
2020-03-01 00:00:06    3002
2020-03-01 00:00:07    3000
2020-03-01 00:00:08    3001
2020-03-01 00:00:09    3003
Freq: S, dtype: int32