pandas之時間重採樣筆記

 週期由高頻率轉向低頻率稱爲降採樣：例如5分鐘股票交易數據轉換爲日交易數據

相反，週期也能夠由低頻轉向高頻稱爲升採樣

其餘重採樣：例如每週三（W-WED）轉換爲每週五（W-FRI）

 1 import pandas as pd
 2 import numpy as np
 3 
 4 # 建立一個時間戳序列
 5 s = pd.Series(np.random.randn(5),
 6                      index=pd.date_range('2016-04-01',periods=5,freq='M'))
 7 # 注意它給的起始時間，與輸出的時間對比，
 8 # 它給定的頻率爲月份輸出的月份從每一個月的最後一天算起
 9 # 輸出
10 2016-04-30   -0.487238
11 2016-05-31    0.376708
12 2016-06-30   -1.830840
13 2016-07-31   -0.426218
14 2016-08-31    1.913151
15 Freq: M, dtype: float64
16 
17 # 將時間戳的序列轉換爲時期序列，
18 s.to_period()
19 # 輸出
20 2016-04   -0.487238
21 2016-05    0.376708
22 2016-06   -1.830840
23 2016-07   -0.426218
24 2016-08    1.913151
25 Freq: M, dtype: float64
26 
27 # 建立週期頻率爲天的時間序列
28 ts = pd.Series(np.random.randn(5),
29                       index=pd.date_range('2016-12-29',periods=5,freq='D'))
30 # 這個時間序列與第5行的不一樣，它的頻率變以天爲單位
31 
32 # 當轉換爲時期序列，它的頻率也是默認天爲單位
33 ts.to_period() # 與28行的結果相同
34 
35 pts = ts.to_period(freq='M') 
36 # 把頻率變爲月時原來的總時間沒變只是頻率變了它將輸出
37 2016-12   -0.525272
38 2016-12   -2.610914
39 2016-12    1.094692
40 2017-01   -1.721324
41 2017-01    0.631946
42 Freq: M, dtype: float64
43 
44 # 也能夠再轉爲時間戳序列
45 pts.to_timestamp()  
46 # 輸出
47 2016-12-01    0.797379
48 2016-12-01   -0.085046
49 2016-12-01   -0.271226
50 2017-01-01    1.320668
51 2017-01-01    0.168546
52 dtype: float64
53 
54 pts.to_timestamp(how='end') # 能夠輸出每個月的最後結束時間
55 # 輸出
56 2016-12-31 23:59:59.999999999    0.797379
57 2016-12-31 23:59:59.999999999   -0.085046
58 2016-12-31 23:59:59.999999999   -0.271226
59 2017-01-31 23:59:59.999999999    1.320668
60 2017-01-31 23:59:59.999999999    0.168546
61 dtype: float64
62 
63 # 建立以週期頻率爲分的時間序列
64 ts = pd.Series(np.random.randint(0,50,60),
65        index=pd.date_range('2016-04-25 09:30',periods=60,freq='T'))
66 # 經過降採樣，下降時間頻率
67 ts.resample('5min',how='sum')  # how='sum'，表示對降採樣的時間段求和
68 # 輸出  它是以時間開始的時候爲準，即時間軸的左端
69 2016-04-25 09:30:00    135
70 2016-04-25 09:35:00    120
71 2016-04-25 09:40:00    138
72 2016-04-25 09:45:00    101
73 ......
74 
75 ts.resample('5min',how='sum',label='right')  # 也能夠以末尾時間爲準，即時間軸右端
76 # 輸出
77 2016-04-25 09:35:00    135
78 2016-04-25 09:40:00    120
79 2016-04-25 09:45:00    138
80 2016-04-25 09:50:00    101
81 ......
82 
83 ts.resample('5min',how='ohlc')
84 # 它建立了一個DataFrame，以時間爲行索引，分別以open、high、low、close
85 # 爲列索引，how='ohlc'就是前面每一個列索引的首字母
86 
87 ts = pd.Series(np.random.randint(0,50,100),
88        index=pd.date_range('2016-03-01',periods=100,freq='D'))
89 
90 ts.groupby(lambda x: x.month).sum()
91 # lambda表達式中的x爲ts，把ts中的月份進行分組並求每個月的總量
92 ts.groupby(ts.index.to_period('M')).sum()  # 與上一行效果相同

 1 import pandas as pd
 2 import numpy as np
 3 
 4 df = pd.DataFrame(np.random.randint(1,50,2),
 5         index=pd.date_range('2016-04-22',periods=2,freq='W-FRI'))
 6 # 它的週期頻率爲星期五
 7 
 8 df.resample('D',fill_method='ffill')  
 9 # 用升採樣的方式，將頻率提升的天天，
10 # fill_method='ffill'，表示向上填充值，即所要填充的值與上一行相同
11 
12 df.resample('D',fill_method='ffill',limit=3)
13 # limit=3表示最後3行被限制不填入值，默認填NaN
14 
15 df.resample('W-MON',fill_method='ffill')
16 # 表示以以週一爲頻率從新採樣
17 
18 
19 df = pd.DataFrame(np.random.randint(2,30,(24,4)),
20                  index=pd.period_range('2015-01','2016-12',freq='M'),
21                  columns=list('ABCD')
22 
23 df.resample('A-DEC',how='sum')  # 用年頻率重採樣
24 
25 df.resample('A-MAR',how='sum')  # 用財年重採樣，每一年的三月分
26 
27 pdf = df.resample('A-DEC',how='mean')  # 用年頻率重採樣，算出每一年的均值
28 
29 pdf.resample('Q-DEC',fill_method='ffill')  # 將上一行的值再以季度頻率重採樣