全文链接：https://tecdat.cn/?p=33550

时间序列是一系列按时间顺序排列的观测数据。数据序列可以是等间隔的，具有特定频率，也可以是不规则间隔的，比如电话通话记录（点击文末“阅读原文”获取完整代码数据）。

什么是时间序列？

在进行投资和交易研究时，对于时间序列数据及其操作要有专业的理解。本文将重点介绍如何使用Python和Pandas帮助客户进行时间序列分析来分析股票数据。

理解日期时间和时间差

在我们完全理解Python中的时间序列分析之前，了解瞬时、持续时间和时间段的差异非常重要。

Python的Datetime模块

datetime模块提供了在简单和复杂方式下进行日期和时间操作的类。

创建瞬时

日期、日期时间和时间都是单独的类，我们可以通过多种方式创建它们，包括直接创建和通过字符串解析。

now = datetime.datetime.today()
today = datetime.date.today()
print(now)
print(today)

创建持续时间

timedeltas 表示时间的持续时间。它们可以与时间点相加或相减。

past = now - alldelta
print(type(future))
print(future)
print(type(past))
print(past)

访问日期时间属性

类和对象属性可以帮助我们分离出我们想要看到的信息。我列出了最常见的属性，但你可以在datetime模块的文档上找到详尽的列表。

print(datetime.datetime.min)
print(datetime.datetime.max)
print(datetime1.microsecond)

在Pandas中创建时间序列

让我们获取由Intrinio开发者沙盒提供的苹果股票历史数据。

apple_price_history = pd.read_csv(f)
apple_price_history[['open', 'high', 'low', 'close', 'volume']].head()

让我们查看数据框的数据类型或 dtypes，看看是否有任何日期时间信息。

让我们将数据框的 RangeIndex 更改为 DatetimeIndex。为了好看，我们将展示如何使用 read_csv 用 DatetimeIndex 读取数据。

apptime64)
apple_price_history.dtypes

print(apple_price_history[['open', 'high', 'low', 'close']].head())
apple_price_history.index[0:10]

import numpy as np
import urllib.request
                                    index_col='date',
                                    usecols=['date',
                                             'adj_open',
                                             'adj_high',
                                             'adj_low',
                                             'adj_close',
                                             'adj_volume'])
apple_price_history.columns = names
print(apple_price_history.head())

添加日期时间字符串

通常，日期的格式可能是无法解析的。我们可以使用dt.strftime将字符串转换为日期。在创建 sp500数据集 时，我们使用了strptime。

sp500.loc[:,'date'].apply(lambda x: datetime.strptime(x,'%Y-%m-%d'))

时间序列选择

按日、月或年选择日期时间

现在我们可以使用索引和loc轻松选择和切片日期。

apple_price_history.loc['2018-6-1']

使用日期时间访问器

dt访问器具有多个日期时间属性和方法，可以应用于系列的日期时间元素上，这些元素在Series API文档中可以找到。

周期

print(df.dt.quarter)
print(df.dt.day_name())

DatetimeIndex包括与dt访问器大部分相同的属性和方法。

apple_price_history.index.day_name()

频率选择

当时间序列是均匀间隔的时，可以在Pandas中与频率关联起来。

pandas.date_range 是一个函数，我们可以创建一系列均匀间隔的日期。

dates = pd.date_range('2019-01-01', '2019-12-31', freq='D')
dates

除了指定开始或结束日期外，我们可以用一个周期来替代，并调整频率。

hours = pd.date_range('2019-01-01', periods=24, freq='H')
print(hours)

pandas.DataFrame.asfreq 返回具有新频率的数据帧或序列。对于数据中缺失的时刻，将添加新行并用NaN填充，或者使用我们指定的方法填充。通常需要提供偏移别名以获得所需的时间频率。

别名

print(apple_quarterly_history.head())

填充数据

pandas.Series.asfreq 为我们提供一个填充方法来替换NaN值。

print(apple_price_history['close'].asfreq('H', method='ffill').head())

重新采样：上采样和下采样

pandas.Dataframe.resample 返回一个重新取样对象，与groupby对象非常相似，可以在其上运行各种计算。

我们经常需要降低（下采样）或增加（上采样）时间序列数据的频率。如果我们有每日或每月的销售数据，将其降采样为季度数据可能是有用的。或者，我们可能希望上采样我们的数据以匹配另一个用于进行预测的系列的频率。上采样较少见，并且需要插值。

print(apple_quarterly_history.agg({'high':'max', 'low':'min'})[:5])

现在我们可以使用我们上面发现的所有属性和方法。

print(apple_price_history.index.day_name())

Index(['Friday', 'Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday',
       'Monday', 'Tuesday', 'Wednesday', 'Friday',
       ...
       'Wednesday', 'Thursday', 'Friday', 'Monday', 'Tuesday', 'Wednesday',
       'Thursday', 'Friday', 'Monday', 'Tuesday'],
      dtype='object', name='date', length=9789)

print(datetime.to_period('Q'))
datetime.to_period('Q').end_time

Python时间序列分析苹果股票数据：分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化（下）：https://developer.aliyun.com/article/1498627