Pandas基础: 时序数据

最新推荐文章于 2025-01-15 07:30:00 发布

数分虐我千百遍

最新推荐文章于 2025-01-15 07:30:00 发布

阅读量1k

点赞数

分类专栏： python pandas

本文链接：https://blog.youkuaiyun.com/qq_45019698/article/details/107028789

版权

本文探讨了Pandas中处理时序数据的关键概念，包括date_range的频率设置和自定义offset。通过一系列的问题和练习，讲解了如何进行时间戳密度调整、Timestamp精度提升、异常时间点处理，以及在日期范围内查找缺失日期的方法。此外，还涵盖了时间序列分析的实际应用，如计算销售额峰值日、节假日排除的月度总销售额、周末销量、周期性销售总和以及异常数据校正等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

一、 Task04：时序数据

在这里插入图片描述

二、理解点

date_range方法的frea参数
1. D/B：日/工作日

  pd.date_range(start='2020/1/3',periods=3,freq='B')
  pd.date_range(start='2020/1/3',periods=3,freq='D')

在这里插入图片描述

W:周末

 pd.date_range(start='2020/1/3',periods=3,freq='B')

在这里插入图片描述

M/Q/Y: 月末/季度末/年末

  pd.date_range(start='2020/1/1',periods=3,freq='M')
  pd.date_range(start='2020/1/1',periods=3,freq='Q')
  pd.date_range(start='2020/1/1',periods=3,freq='Y')

BM/BQ/BY:工作日月末/季度末/年末

  pd.date_range(start='2019/1/3',periods=3,freq='BM')
  pd.date_range(start='2019/1/3',periods=3,freq='BQ')
  pd.date_range(start='2015/1/3',periods=3,freq='BY')

在这里插入图片描述

MS/QS/YS:月初/季度初/年初

  pd.date_range(start='2019/1/1',periods=3,freq='MS')
  pd.date_range(start='2019/1/1',periods=3,freq='MQ')
  pd.date_range(start='2019/1/1',periods=3,freq='MY')

BMS/BQS/BYS:工作日月初/季度初/年初

  pd.date_range(start='2019/1/3',periods=3,freq='BMS')
  pd.date_range(start='2019/1/3',periods=3,freq='BQS')
  pd.date_range(start='2019/1/3',periods=3,freq='BYS')

在这里插入图片描述

H:小时 T:分钟 S:秒

  pd.date_range(start='2019/1/3',periods=3,freq='H')
  pd.date_range(start='2019/1/3',periods=3,freq='T'

最低0.47元/天解锁文章

Pandas基础: 时序数据

文章目录

一、 Task04： 时序数据

二、理解点

一、 Task04：时序数据