1、date_range()

  1. 生成日期序列
  2. pandas.date_range(start=None, end=None, periods=None, freq=None, closed=None) 
  3. 常见参数：
  4.         start：开始日期
  5.         end：结束日期
  6.         periods：日期数量。 若同时指定start,end,periods,则会生成指定数量的时间间隔相同的日期
  7.         closed：指定区间的开闭，默认是None，包含start和end  (left,right)
  8.         freq：日期的频率，默认是'D'即天,常见还有M(月、显示xxxx-xx-31每月的最后一天) 如下图 
  9.              还可以数字与其组合，如5D就是时间间隔为5天
freq= 说明
A/ Y year年 每年的最后一天
AS/YS AS/YS 每年的第一天
M month 每月的最后一天
MS 每月的第一天
D day 每天
Q quarter 每季度的最后一天
QS 每季度的第一天
H 时
T/min 分
S 秒 
  1. import pandas as pd
  2. # 1、period指定日期数量，日期间隔相同 如结果有6个日期,且间隔为12日
  3. pd.date_range(start='2022-04-01',end='2022-05-31',periods=6)
  4. 输出：
  5. DatetimeIndex(['2022-04-01', '2022-04-13', '2022-04-25', '2022-05-07',
  6.                '2022-05-19', '2022-05-31'],
  7.               dtype='datetime64[ns]', freq=None)
  9. # 2、freq类似指定日期格式：freq='D'表示日期格式为xxxx-xx-xx 具体到日
  10. pd.date_range(start='2022-04-01',end='2022-04-11',freq='D')
  11. 输出：
  12. DatetimeIndex(['2022-04-01', '2022-04-02', '2022-04-03', '2022-04-04',
  13.                '2022-04-05', '2022-04-06', '2022-04-07', '2022-04-08',
  14.                '2022-04-09', '2022-04-10', '2022-04-11'],
  15.               dtype='datetime64[ns]', freq='D')
  17. # 3、freq还可以赋值数字+字母：表示间隔为几个单位，如freq='2D' 表示间隔2日
  18. pd.date_range(start='2022-04-01',end='2022-04-11',freq='2D')
  19. 输出：
  20. DatetimeIndex(['2022-04-01', '2022-04-03', '2022-04-05', '2022-04-07',
  21.                '2022-04-09', '2022-04-11'],
  22.               dtype='datetime64[ns]', freq='2D')
  24. # 4、closed表示日期是否包含左右边界日期;如下语句,包含右边日期,但不包含左边日期,结果显示也没有2022-04-01的
  25. pd.date_range(start='2022-04-01',end='2022-04-11',freq='2D',closed='right')
  26. 输出：
  27. DatetimeIndex(['2022-04-03', '2022-04-05', '2022-04-07', '2022-04-09',
  28.                '2022-04-11'],
  29.               dtype='datetime64[ns]', freq='2D')
  31. # 5、freq='M' 表示以月为最小单位 显示的是每月最后一天
  32. pd.date_range(start='2022-04-01',end='2022-05-31',freq='M')
  33. 输出：
  34. DatetimeIndex(['2022-04-30', '2022-05-31'], dtype='datetime64[ns]', freq='M')
  36. # 5.2、如果不想要最后的日,可以利用to_period('M')将其不显示
  37. pd.date_range(start='2022-04-01',end='2022-05-31',freq='M').to_period('M')
  38. 输出：
  39. PeriodIndex(['2022-04', '2022-05'], dtype='period[M]', freq='M')
  41. # 6、freq='QS' 季度的第一天
  42. pd.date_range(start='2022-01-01',end='2022-12-31',freq='QS')
  43. 输出：
  44. DatetimeIndex(['2022-01-01', '2022-04-01', '2022-07-01', '2022-10-01'], dtype='datetime64[ns]', freq='QS-JAN')
  46. # 9、freq='H' 时  start='2022-04-01',end='2022-04-02' 表示的只是1号的24小时
  47. pd.date_range(start='2022-04-01',end='2022-04-02',freq='6H')  
  48. 输出:
  49. DatetimeIndex(['2022-04-01 00:00:00', '2022-04-01 06:00:00',
  50.                '2022-04-01 12:00:00', '2022-04-01 18:00:00',
  51.                '2022-04-02 00:00:00'],
  52.               dtype='datetime64[ns]', freq='6H')
  54. pd.date_range(start='2022-04-01',end='2022-04-02',freq='6H',closed='right')
  55. 输出： 左开右闭 指的是不包含2022-04-01 00:00:00 包含2022-04-02 00:00:00
  56. DatetimeIndex(['2022-04-01 06:00:00', '2022-04-01 12:00:00',
  57.                '2022-04-01 18:00:00', '2022-04-02 00:00:00'],
  58.               dtype='datetime64[ns]', freq='6H')

2、resample()

重新采样，是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。
用这个方法之前需将日期作为索引并转化为日期型索引

DataFrame.resample(rule,label=None).sum()等函数 两个指标足以
rule : 重构规则(‘M’、’2D’等上图所示)
label：指定，我们使用哪一个作为新的label 区间的左还是右 默认左

  1. np.random.seed(20)  #保证每次生成的随机数都一样
  2. dt = pd.date_range(start='2022-01-01',end='2022-04-30',freq='D')
  3. num = np.random.randint(100,200,120)
  4. df = pd.DataFrame(num,index=dt,columns=['num'])
  5. df.index  # 看看索引类型 DatetimeIndex 日期型索引
  6. DatetimeIndex(['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04',
  7.                '2022-01-05', '2022-01-06', '2022-01-07', '2022-01-08',
  8.                '2022-01-09', '2022-01-10',
  9.                ...
  10.                '2022-04-21', '2022-04-22', '2022-04-23', '2022-04-24',
  11.                '2022-04-25', '2022-04-26', '2022-04-27', '2022-04-28',
  12.                '2022-04-29', '2022-04-30'],
  13.               dtype='datetime64[ns]', length=120, freq='D')
  15. # 将日期索引重新采样为 每月的第一天为一组 进行求和
  16. df.resample('MS').sum()
  17.              num
  18. 2022-01-01    4647
  19. 2022-02-01    4181
  20. 2022-03-01    4505
  21. 2022-04-01    4489
  23. # 不显示日期后的日
  24. df.resample('M').sum().to_period('M')
  25.          num
  26. 2022-01    4647
  27. 2022-02    4181
  28. 2022-03    4505
  29. 2022-04    4489
  31. # 按季度分组求和
  32. df.resample('Q').sum()
  33.              num
  34. 2022-03-31    13333
  35. 2022-06-30    4489
  37. # .to_period('Q') 按季度显示 格式xxxxQn  xxxx年Qn季度
  38. df.resample('Q').sum().to_period('Q')
  39.          num
  40. 2022Q1    13333
  41. 2022Q2    4489

3、to_period()

to_period(‘’)描述的是该日期处于那个时期
例如to_period(‘M’) 将日期以月为单位即 xxxx-xx 某天处于某个月分

  1. # 生成日期
  2. dt = pd.date_range(start='2021-04-01',end='2023-04-30',freq='100D')
  3. DatetimeIndex(['2021-04-01', '2021-07-10', '2021-10-18', '2022-01-26',
  4.                '2022-05-06', '2022-08-14', '2022-11-22', '2023-03-02'],
  5.               dtype='datetime64[ns]', freq='100D')
  6. # 处于某年               
  7. dt.to_period('Y')
  8. PeriodIndex(['2021', '2021', '2021', '2022', '2022', '2022', '2022', '2023'], dtype='period[A-DEC]', freq='A-DEC')
  9. # 处于某月
  10. dt.to_period('M')
  11. PeriodIndex(['2021-04', '2021-07', '2021-10', '2022-01', '2022-05', '2022-08',
  12.              '2022-11', '2023-03'],
  13.             dtype='period[M]', freq='M')
  14. # 处于某个季度
  15. dt.to_period('Q')
  16. PeriodIndex(['2021Q2', '2021Q3', '2021Q4', '2022Q1', '2022Q2', '2022Q3',
  17.              '2022Q4', '2023Q1'],
  18.             dtype='period[Q-DEC]', freq='Q-DEC')

参考资料：https://blog.csdn.net/m0_69435474/article/details/124339573

4、年月日列转换为相应的季度值

以实际需求-将DataFrame的日期列转换为相应的季度来举例，处理过程为先将日期列和有唯一值的列（这里是id列值唯一）单独取出，然后将日期列设置为index，之后使用to_period(‘Q’)将index转换为季度，然后再使用reset_index()将index变换为DataFrame的一列数据。

  1. # 日期列data_account_created与唯一值列id
  2. increase_user_data = all_users.loc[:,['date_account_created','id']]
  3. aa = increase_user_data.copy()
  4. # 将日期列设置为index
  5. aa.set_index(['date_account_created'], inplace=True)
  6. # 将index值为日期转化为index值为季度
  7. aa = aa.to_period("Q")
  8. # 将季度信息写入DataFrame数据
  9. aa.reset_index(drop=False,inplace=True)
  10. # 列名重命名
  11. aa.rename(columns={'date_account_created':'Q_create_time'},inplace=True)
  12. # 写回原表
  13. increase_user_data = pd.merge(increase_user_data,aa)
  14. increase_user_data.head()

image.png

5、pd.to_datetime(df[‘time’],dayfirst=True)

将DataFrame里的时间数据转换为时间格式，但是要注意dayfirst参数的设置。

  1. print(pd.to_datetime('12-11-2017'))
  2. print(pd.to_datetime('12-11-2017', dayfirst = True))# 日在前 = 对
  3. print(pd.to_datetime('07-11-2017'))
  4. print(pd.to_datetime('07-11-2017', dayfirst = False))# 日在后 = 对

image.png