数据分析（6）-Pandas日期数据处理

Pandas 有着强大的日期数据处理功能，主要包括以下三个方面：按日期筛选数据、按日期显示数据、按日期统计数据

1、读取数据

import pandas as pd

df = pd.read_csv('date.csv', header=None)
print(df.head(2))

>>>输出结果：
0 1
0 2013-10-24 3
1 2013-10-25 4

2、整理数据

df.columns = ['date','number']
df['date'] = pd.to_datetime(df['date']) # 将数据类型转换为日期类型
df = df.set_index('date') # 将date设置为index

print(type(df))
print(df.index)
print(type(df.index))

>>>输出结果：
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex(['2013-10-24', '2013-10-25', '2013-10-29', '2013-10-30',...'2017-02-14', '2017-02-22'],dtype='datetime64[ns]', name='date', length=425, freq=None)
<class 'pandas.tseries.index.DatetimeIndex'>　

3、构造Serises

s = pd.Series(df['number'], index=df.index)
print(type(s))
s.head(2)

>>>输出结果：
<class 'pandas.core.series.Series'>
date
2013-10-24 3
2013-10-25 4
Name: number, dtype: int64

4、按日期筛选数据

# 获取某年的数据
print(df['2013'].head(2)) # 获取2013年的数据
print(df['2016':'2017'].head(2)) # 获取2016至2017年的数据

# 获取某月的数据
print(df['2013-11']) # 获取某月的数据

# 获取某天的数据
print(s['2013-11-06'])

dataframe 的 truncate 函数可以获取某个时期之前或之后的数据，或者某个时间区间的数据，但一般建议直接用切片（slice），这样更为直观，方便
print(df.truncate(after = '2013-11'))

5、按日期显示数据

1）to_period() 方法

print(df.to_period('Q').head()) # 按季度显示，但不统计

print(df.to_period('A').head()) # 按年度显示，但不统计

2）asfreq() 方法

df_period.index.asfreq('A') # 按年度频率显示，'A'默认是'A-DEC',其他如'A-JAN'

df_period.index.asfreq('Q') # 按季度频率显示，'Q' 默认是'Q-DEC',其他如“Q-SEP”，“Q-FEB”

df_period.index.asfreq('M') # 按月度频率显示，按月份显示

df_period.index.asfreq('B', how='start') # 按工作日显示，按工作日期显示
df_period.index.asfreq('B', how='end') # 按工作日显示，按工作日期显示

6、按日期统计数据

1）统计

print(df.resample('w').sum().head()) # 按周统计

print(df.resample('M').sum().head())
# ”MS”是每个月第一天为开始日期,”M”是每个月最后一天

print(df.resample('Q').sum().head())
# ”QS”是每个季度第一天为开始日期,”Q”是每个季度最后一天

print(df.resample('AS').sum())
# ”AS”是每年第一天为开始日期, ”A”是每年最后一天

2）显示

print(df.resample('AS').sum().to_period('A'))
# 按年统计并显示

print(df.resample('Q').sum().to_period('Q').head())
# 按季度统计并显示

print(df.resample('M').sum().to_period('M').head())
# 按月度统计并显示