Datatime 作为 Python 中的时间模块类型，处理时间有关数据是非常方便的， Pandas 作为数据分析程序包同样也支持 DataTime 数据机制，例如
1，函数 to_datetime() 将数据列表中的 Series 列转化为 datetime 类型，
#Convert the type to datetime apple.Date = pd.to_datetime(apple.Date) apple['Date'].head() # 0 2014-07-08 1 2014-07-07 2 2014-07-03 3 2014-07-02 4 2014-07-01 Name: Date, dtype: datetime64[ns]
2，DataFrame.resample(freq)，将数据基于时间列以 freq 作为频度做数据重采样，计算出某隔一段时间中数据总值、均值、方差等指标
下面例子中数据列表的索引就是 Datatime 数据格式，最终计算得到以月为时间单位求出各列数据的平均值
# Resample the data based the offset,get the mean of data # BM — bussiness month end frequency apple_month = apple.resample("BM").mean() apple_month.head()
下面将根据两套习题，简单介绍一下 Pandas 是怎么使用 DataFrame 数据的
1 , to_datetime() 与 resample() 操作
1.1，读取数据
url = "https://raw.githubusercontent.com/guipsamora/pandas_exercises/master/09_Time_Series/Apple_Stock/appl_1980_2014.csv" apple =pd.read_csv(url) apple.head()
从上面数据中可以看到时间在 Date 这一列，但却不是标准的 datetime 格式，需要格式处理一下
1.2，datetime 格式转换
#Convert the type to datetime apple.Date = pd.to_datetime(apple.Date) apple['Date'].head()
**1.3，将 Date 列设为 index **
需要注意一点的是，后续的 采样(resample) 操作都是基于 时间列为索引列这一条件的，因此需要索引列设置，
apple = apple.set_index("Date") # Set Index apple.head()
Date 虽然已经设为 index，但是时间排列却并不清晰，这里用 sort_index(ascending = True) 直接对其进行正向排序
1.4，对索引进行排序
# Sort The DataFrame based on Date columns apple.sort_index(ascending = True).head()
1.5，以月为单位对数据采样并获取mean()
# Resample the data based the offset,get the mean of data # BM — bussiness month end frequency apple_month = apple.resample("BM").mean() apple_month.head()
BM 全称 Bussiness Month，是商业月的意思，在 Pandas 中称为 DataOffset，除了月之外，还提供年、日、秒、小时、分..等作为采样单位，当然也可以自定义 DataOffset.
关于 Data Offset 具体详细内容可参考：https://pandas.pydata.org/docs/user_guide/timeseries.html#timeseries-offset-aliases；
1.6，计算时间列表中最早日期与最晚日期相差天数
(apple.index.max()-apple.index.min()).days # 12261
2，统计近两年苹果、特斯拉、IBM、LINKD各公司股价
2.1，pandas_datareader 获取数据
import pandas as pd from pandas_datareader import data as web import datetime as dt start = dt.datetime(2019,1,1) end = dt.datetime.today() stocks = ['APPLE','TSLA','IBM','LNKD'] df = web.DataReader(stocks,'yahoo',start,end) df
2.2，获取 股票 数据
vol = df['Volume'] vol
**2.3，创建新列，表示 week、year **
后面做聚类分析，聚类基准选择的是 week、year , 因此需要提前创建好两列(week，year)数据
vol['week'] = vol.index.week vol['year'] = vol.index.year vol.head()
2.4，groupby 聚类分组(先 week ,后 year)
week = vol.groupby(['week','year']).sum() week.head()
这样就可以很清晰地比对，2019-2020年对于每一周来说各公司股票的总值变化啦
好了，以上就是本篇文章的所有内容啦；如果有什么疑问或者想表达的，欢迎在下面留言区进行留言。
最后，感谢大家的阅读！
