1. python时间序列(2)
时期（period）表示的是时间区间，比如数日、数月、数季、数年等。Period类所 表示的就是这种数据类型，其构造函数需要用到一个字符串或整数，以及表11-4中 的频率:
这里，这个Period对象表示的是从2007年1月1日到2007年12月31日之间的整段时间。
只需对Period对象加上或减去一个整数即可达到根据其频率进行位移的效果：
如果两个Period对象拥有相同的频率，则它们的差就是它们之间的单位数量：
period_range函数可用于创建规则的时期范围：
PeriodIndex类保存了一组Period，它可以在任何pandas数据结构中被用作轴索引：
如果你有一个字符串数组，你也可以使用PeriodIndex类：
Period和PeriodIndex对象都可以通过其asfreq方法被转换成别的频率。假设我们有 一个年度时期，希望将其转换为当年年初或年末的一个月度时期。该任务非常简 单：
你可以将Period('2007','A-DEC')看做一个被划分为多个月度时期的时间段中的游 标。图11-1对此进行了说明。
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一样了：
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，月份“2007年8月”实际上是属于周期“2008年”的：
完整的PeriodIndex或TimeSeries的频率转换方式也是如此：
这里，根据年度时期的第一个月，每年的时期被取代为每月的时期。
如果我们想要 每年的最后一个工作日，我们可以使用“B”频率，并指明想要该时期的末尾：
未完待续。。。
2. python中时间序列数据的一些处理方式
datetime.timedelta对象代表两个时间之间的时间差，两个date或datetime对象相减就可以返回一个timedelta对象。
利用以下数据进行说明：
如果我们发现时间相关内容的变量为int,float,str等类型，不方便后面的分析，就需要使用该函数转化为常用的时间变量格式：pandas.to_datetime
转换得到的时间单位如下：
如果时间序列格式不统一，pd.to_datetime()的处理方式：
当然，正确的转换是这样的：
第一步：to_datetime()
第二步：astype(datetime64[D]),astype(datetime64[M])
本例中：
order_dt_diff必须是Timedelta(Ɔ days 00:00:00')格式，可能是序列使用了diff()
或者pct_change()。
前者往往要通过'/np.timedelta'去掉单位days。后者其实没有单位。
假如我们要统计某共享单车一天内不同时间点的用户使用数据，例如
还有其他维度的提取，年、月、日、周，参见：
Datetime properties
注意 ：.dt的对象必须为pandas.Series,而不可以是Series中的单个元素
3. Pandas-时间序列基础
Python标准库中包含用于日期和时间的数据类型，而且还有日历方面的功能，我们主要会用到datetime、time和calendar模块，datetime.datetime是用的最多的数据类型。
datetime以毫秒形式存储日期和时间，datetime.timedelta表示两个datetime对象之间的时间差.
可以给datetime对象加上或者减去一个或多个timedelta，会产生一个新对象:
利用str或者strftime方法，datetime对象和pandas的Timestamp对象可以被格式化为字符串:
datetime.strptime也可以用这些格式化编码将字符串转化为日期:
datetime.strptime是通过已知格式进行日期解析的最佳方式，但是每次都要编写格式定义很麻烦，尤其是对于一些常见的日期格式，这种情况下，可以用dateutil这个第三方包中的parser.parse方法,dateutil可以解析几乎所有人类能够理解的日期表示形式:
在国际通用格式中，日通常出现在月的前面，传入dayfirst=True即可:
pandas通常是用于处理成组日期的，不管这些日期是DataFrame的轴索引还是列，to_datetime方法可以解析多种不同的日期表示形式。
to_datetime可以处理缺失值，NAT是pandas中时间戳数据的NA值:
pandas最基本的时间序列类型就是以时间戳为索引的Series：
这里的Series索引不是普通的索引，而是DatetimeIndex，而ts变为了一个TimeSeries,同时，可以看到，pandas用Numpy的datetime64数据类型以纳秒形式存储时间戳。
跟其他Series一样，不同索引的时间序列之间的算数运算会自动对齐:
DateTimeIndex中的各个标量值是pandas的Timestamp对象.
由于TimeSeries是Series的一个子类，所以在索引以及数据选曲方面他们的行为是一样的，但是我们还可以传入一个可以被解释为日期的字符串来进行索引:
对于较长的时间序列，只需传入年或年月即可轻松选取数据的切片:
通过日期进行切片的方式只对规则Series有效：
还有一个等价的实例方法也可以截取两个日期之间的TimeSeries:
DataFrame也同样适用上面的规则
pandas中的时间序列一般被认为是不规则的，也就是说，没有固定的频率，对于大部分程序而言，这是无所谓的，但是，他常常需要以某种相对固定的频率进行分析，比如每月，每日，每15min等。pandas有一套标准时间序列频率以及用于重采样，频率推断，生成固定频率日期范围的工具.
例如，我们可以将之前的时间序列转换为一个具有固定频率（每日）的时间序列，只需调用resample即可.返回DatetimeIndexResampler，获取值使用asfreq():
生成日期范围使用date_range函数
默认情况下，date_range会产生按天计算的时间点，如果只传入起始或结束日期，那就还得传入一个表示一段时间的数字:
如果你不想按天生成数据，想要按照一定的频率生成，我们传入freq参数即可.如想按5小时生成数据:
如果你想生成一个由每月最后一个工作日组成的日期索引，可以使用BM频率:
date_range默认会保留起始和结束的时间戳的时间信息，但是如果我们想产生一组规范化到午夜的时间戳，normalize选项可以实现这个功能:
WOM（week of Month）是一种非常实用的频率类，它以WOM开头，它使你能获得诸如每月第三个星期五之类的日期:
4. python(pandas模块)
Pandas是Python的一个数据分析包，最初由AQR Capital
Management于2008年4月开发，并于2009年底开源出来，目前由专注于Python数据包开发的Pydata开发team继续开发和维护，属于PyData项目的一部分，pandas最初被作为金融数据分析工具而开发出来，因此pandas为时间序列分析提供了很好的支持。
Pandas的名称来自于面板数据和python数据分析。panel
data是经济学中关于多维数据集的一个术语，在Pandas中也提供了panel的数据类型。
Pandas数据结构：
Series：一维数组，与numpy中的一维array类似。二者与Python基本的数据结构list相近，Series如今能保存不同种数据类型，字符串、boolean值、数字等都能保存在series中。
Time-series：以时间为索引的series。
DataFrame：二维的表格型数据结构，很多功能与R中的data.frame类似，可以将DataFrame理解为Series的容器。
Panel ：三维的数组，可以理解为DataFrame的容器。
Panel4D：是像Panel一样的4维数据容器。
PanelND：拥有factory集合，可以创建像Panel4D一样N维命名容器的模块。
5. python数据分析时间序列如何提取一个月的数据
python做数据分析时下面就是提取一个月数据的教程1. datetime库
1.1 datetime.date
1） datetime.date.today() 返回今日，输出的类型为date类
import datetime
today = datetime.date.today()
print(today)
print(type(today))
–> 输出的结果为：
2020-03-04
<class 'datetime.date'>
将输出的结果转化为常见数据类型（字符串）
print(str(today))
print(type(str(today)))
date = str(today).split('-')
year,month,day = date[0],date[1],date[2]
print('今日的年份是{}年,月份是{}月,日子是{}号'.format(year,month,day))
–> 输出的结果为：(转化为字符串之后就可以直接进行操作)
2020-03-04
<class 'str'>
今日的年份是2020年,月份是03月,日子是04号
2） datetime.date(年,月,日)，获取当前的日期
date = datetime.date(2020,2,29)
print(date)
print(type(date))
–> 输出的结果为：
2020-02-29
<class 'datetime.date'>
1.2 芹喊datetime.datetime
1） datetime.datetime.now()输出当前时间，datetime类
now = datetime.datetime.now()
print(now)
print(type(now))
–> 输出的结果为：(注意秒后面有个不确定尾数)
2020-03-04 09:02:28.280783
<class 'datetime.datetime'>
可通过str()转化为字符串（和上面类似）
print(str(now))
print(type(str(now)))
–> 输出的结果为：（这里也可以跟上面的处理类似分别获得相应的数据，但是也可以使用下面更直接的方法来获取）
2020-03-04 09:04:32.271075
<class 'str'>
2） 通过自带的方法获取年月日，时分秒（这里返回的是int整型数据，注意区别）
now = datetime.datetime.now()
print(now.year,type(now.year))
print(now.month,type(now.month))
print(now.day,type(now.day))
print(now.hour,type(now.hour))
print(now.minute,type(now.minute))
print(now.second,type(now.second))
print(now.date(),type(now.date()))
print(now.date().year,type(now.date().year))
–> 输出的结果为：（首先注意输出中倒数第二个还是上面的纯档datetime.date对象，这里是用来做时间对比的，同时除了这里的datetime.datetime有这种方法，datetime.date对象也有。因为此方法获取second是取的整型数据，自然最后的不确定尾数就被取整处理掉了）
2020 <class 'int'>
3 <class 'int'>
4 <class 'int'>
9 <class 'int'>
12 <class '做首乱int'>
55 <class 'int'>
2020-03-04 <class 'datetime.date'>
2020 <class 'int'>