创建数据

---

创建一个包含datetime类型的series

时间序列操作

---

访问values

通过位置信息进行访问

通过index数据类型访问

通过指定index值访问

将index的值作为字符串指定访问也是可以的：

注意，这里还使用了s1[‘20171001’]这种形式，即没有指定分隔符，也是可以的。

最后一种情况，如果没有指定具体日，即指定了年和月，将返回这一月的所有日的值。注意，这种情况就不能写成201709这种格式的了，否则会报错。

依次类推，指定年s1[‘2017’]将返回这一年的所有数据

产生一定范围内的时间数据

pandas.date_range()可以产生一定时间范围内的时间数据，具体参数如下：

• start：起始时间
• end：结束时间
• periods：时间间隔
• freq：步长，默认为D，表示按天为步长

这里有一个特殊的地方，如果指定了start和end，则periods是不需要指定的，而若只指定了start和periods，则可以根据这两个自动算出end。就是说end和periods不用共存。

按天产生数据

从2016-01-01开始的100天的时间数据：

可以看出，它是DatetimeIndex类型数据，从2016-01-01开始，间隔一天，一共100天的数据.

按周产生数据

如果是想按一周为间隔，则：

发现开始的日期并不是2016-01-01，因为按周分隔的话默认是从周日开始的，而2016-01-03是第一个周日，所以从这一天开始

如果想在按周分隔的时候指定从周几开始，例如周一，则：

按小时产生数据

这样就从指定日期的0点开始，每小时产生一个数据，直到100个。

H的单位为1小时，如果想指定n小时为间隔，则freq=nH即可，例如5小时为间隔：

有了这种产生时间序列的方法，就可以同个这种方法生成index为时间序列的series

时间序列采样和画图

---

生成数据

首先使用date_range来生成一个时间序列，然后在生成一个和它一样长的series：

采样

采样的方法和标准有很多，假设这里采用按月份采样的方法，即每个月的数据作为一个数据点，一共是12个数据点。

1月为例：通过s1['2017-01']可以得到所有1月的数据，现在需要将它们变成一个数据点，可以采用求平均数的方法mean()。用这个方法重复对1到12月求平均数，创建一个新的series就得到了采样后的数据。

pandas对于时间序列的采样提供了一种更为便利的方法：resample，它可以指定采样的标准（按天、月等）。

这里指定按月采样，并求平均值得到采样解果。结果的index为每月最后一天的日期。

bfill和ffill

这是resample的两个方法，用于数据的填充。

当采样频率提高之后，可能导致原始数据不够，例如s1是按照“日”为单位进行排列的，如果按照小时进行采样的话必然不能采，所以可以使用bfill和ffill对数据进行填充。

bfill是向上填充，即将2017-01-01 01:00:00至2017-01-01 23:00:00的值都填充为2017-01-02 00:00:00的值

ffill是向下填充，即将2017-01-01 01:00:00至2017-01-01 23:00:00的值都填充为2017-01-01 00:00:00的值

画图

时间序列数据适合画基于时间的曲线图，这里画一个模拟的股票数据曲线图：

首先，创建一个每小时一个点的时间序列：

注意这个序列的长度，后面要用

然后先创建一个index为这个时间序列的空的dataframe：

然后向其中填充整形随机数，模拟两个公司的股价：

使用plot()方法可以生成一个图像的对象：

想要显示出图像还需要导入一些绘图的库：

图形就画出来的

但是看到这个图可读性是为0的，因为8000+的数据挤在一起形成的折线图显得不好看，所以采用前面采样的方法进行数据预处理，改成每个周一个点

将之前的数据按周采样，保存在新的dataframe中：

重新绘图：

现在看上去好多了