宁波网站制作计划,龙岩网站建设推广,wordpress会员功能主题,wordpress 表单 验证目录
一、用法精讲
281、pandas.Series.dt.daysinmonth属性
281-1、语法
281-2、参数
281-3、功能
281-4、返回值
281-5、说明
281-6、用法
281-6-1、数据准备
281-6-2、代码示例
281-6-3、结果输出
282、pandas.Series.dt.tz属性
282-1、语法
282-2、参数
282-…目录
一、用法精讲
281、pandas.Series.dt.daysinmonth属性
281-1、语法
281-2、参数
281-3、功能
281-4、返回值
281-5、说明
281-6、用法
281-6-1、数据准备
281-6-2、代码示例
281-6-3、结果输出
282、pandas.Series.dt.tz属性
282-1、语法
282-2、参数
282-3、功能
282-4、返回值
282-5、说明
282-6、用法
282-6-1、数据准备
282-6-2、代码示例
282-6-3、结果输出
283、pandas.Series.dt.freq属性
283-1、语法
283-2、参数
283-3、功能
283-4、返回值
283-5、说明
283-6、用法
283-6-1、数据准备
283-6-2、代码示例
283-6-3、结果输出
284、pandas.Series.dt.isocalendar属性
284-1、语法
284-2、参数
284-3、功能
284-4、返回值
284-5、说明
284-6、用法
284-6-1、数据准备
284-6-2、代码示例
284-6-3、结果输出
285、pandas.Series.dt.to_period方法
285-1、语法
285-2、参数
285-3、功能
285-4、返回值
285-5、说明
285-6、用法
285-6-1、数据准备
285-6-2、代码示例
285-6-3、结果输出
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页 一、用法精讲
281、pandas.Series.dt.daysinmonth属性
281-1、语法
# 281、pandas.Series.dt.daysinmonth属性
pandas.Series.dt.daysinmonth
The number of days in the month.
281-2、参数 无
281-3、功能 用于返回一个包含每个日期对应月份的天数的序列这在时间序列分析中尤其有用比如需要计算每个月的总天数时或在处理日期数据时需要知道某个月有多少天来进行一些特定的操作或分析具备同样功能的还有pandas.Series.dt.days_in_month属性。
281-4、返回值 返回每个时间戳所对应月份的天数其返回值是一个包含每个时间戳所在月份天数的整数系列(Series)。
281-5、说明 使用场景
281-5-1、财务分析确定每个月的天数对月末结算、预算编制和财务预测非常重要。例如财务团队需要知道每个月的天数以便准确计算月度预算和实际开销。
281-5-2、数据完整性检查在处理时间序列数据时例如销售数据或传感器数据可以使用daysinmonth确认每个月的数据是否完整如果某个月的数据少于应有天数可能需要进一步调查和处理。
281-5-3、平均日值计算在数据分析中经常需要将月度数据转换为平均日值。例如在分析气象数据时需要计算每月的平均日气温或降雨量。
281-5-4、时间序列转换在某些情况下可能需要将时间序列数据从月度转换为季度或年度数据在这种转换过程中需要知道每个月的天数以进行适当的加权计算。
281-5-5、资源规划和调度在项目管理和资源规划中了解每个月的天数可以帮助更好地进行资源分配和调度。例如在人员管理中根据每个月的天数合理分配工作量。
281-5-6、时间序列模拟在模拟时间序列数据时可以根据每个月的天数生成更为真实和合理的数据。例如模拟每日销售数据时可以根据每个月的天数生成月度数据。
281-5-7、时间序列分析在进行季节性和周期性分析时每个月的天数是一个重要的参考因素。例如在分析股票市场的月度回报率时可以考虑每个月的天数来计算加权平均值。
281-6、用法
281-6-1、数据准备
无
281-6-2、代码示例
# 281、pandas.Series.dt.daysinmonth属性
# 281-1、财务分析-月末结算和预算编制
import pandas as pd
# 创建一个日期序列
date_series pd.date_range(start2023-01-01, end2023-12-31, freqMS)
# 假设每个月的开销单位美元
monthly_expenses pd.Series([3000, 2800, 3200, 3100, 2900, 2700, 3500, 3300, 3400, 3600, 3800, 3700], indexdate_series)
# 计算每月的天数
days_in_month date_series.daysinmonth
# 计算每月的平均日开销
daily_expenses monthly_expenses / days_in_month
print(daily_expenses, end\n\n)# 281-2、数据完整性检查-验证数据完整性
import pandas as pd
# 假设一个日期序列和对应的数据
date_series pd.date_range(start2023-01-01, end2023-12-31)
data pd.Series(range(len(date_series)), indexdate_series)
# 计算每个月的数据点
expected_days date_series.to_series().dt.daysinmonth
actual_days data.groupby(data.index.month).size()
# 检查是否有缺失的数据
missing_data expected_days - actual_days
print(missing_data, end\n\n)# 281-3、平均日值计算-计算每月的平均日气温
import pandas as pd
# 创建一个日期序列
date_series pd.date_range(start2023-01-01, end2023-12-31, freqMS)
# 假设每个月的平均气温单位摄氏度
monthly_temperature pd.Series([2.5, 3.0, 5.5, 10.0, 15.0, 20.0, 25.0, 24.0, 20.0, 15.0, 8.0, 3.0], indexdate_series)
# 计算每月的天数
days_in_month date_series.daysinmonth
# 计算每月的平均日气温
average_daily_temperature monthly_temperature / days_in_month
print(average_daily_temperature, end\n\n)# 281-4、时间序列转换-将月度数据转换为季度数据
import pandas as pd
# 创建一个日期序列
date_series pd.date_range(start2023-01-01, end2023-12-31, freqME)
# 假设每个月的某项数据单位任意
monthly_data pd.Series([100, 120, 110, 130, 140, 150, 160, 170, 180, 190, 200, 210], indexdate_series)
# 计算每月的天数
days_in_month date_series.daysinmonth
# 将月度数据转换为季度数据
quarterly_data monthly_data.resample(QE).sum() / date_series.to_series().dt.daysinmonth.groupby(pd.Grouper(freqQE)).sum()
print(quarterly_data, end\n\n)# 281-5、资源规划和调度-根据每个月的天数规划人力资源
import pandas as pd
# 创建一个日期序列
date_series pd.date_range(start2023-01-01, end2023-12-31, freqME)
# 假设总工作量单位小时
total_workload 1200
# 创建一个包含日期的Series
date_series pd.Series(date_series)
# 计算每月的天数
days_in_month date_series.dt.daysinmonth
# 根据每个月的天数规划人力资源
workload_per_day total_workload / days_in_month.sum()
print(workload_per_day, end\n\n)# 281-6、时间序列模拟-生成模拟的每日销售数据
import pandas as pd
# 创建一个日期序列
date_series pd.date_range(start2023-01-01, end2023-12-31, freqME)
# 假设每个月的销售数据单位任意
monthly_sales pd.Series([3000, 3200, 3100, 3300, 3400, 3500, 3600, 3700, 3800, 3900, 4000, 4100], indexdate_series)
# 计算每月的天数
days_in_month date_series.daysinmonth
# 生成模拟的每日销售数据
simulated_daily_sales monthly_sales / days_in_month
print(simulated_daily_sales, end\n\n)# 281-7、时间序列分析-计算加权平均回报率
import pandas as pd
from pandas.tseries.offsets import MonthEnd
# 创建一个日期序列表示每个月的月末
date_series pd.date_range(start2023-01-01, end2023-12-31, freqMonthEnd())
# 假设每个月的回报率单位百分比注意这里转换为小数形式
monthly_return pd.Series([0.02, 0.015, 0.025, 0.03, 0.028, 0.031, 0.029, 0.032, 0.035, 0.038, 0.04, 0.037],indexdate_series)
# 初始化一个列表来存储每个月的天数
days_in_month []
# 计算每个月的天数
for i in range(len(date_series) - 1):start_date date_series[i]end_date date_series[i 1]# 由于freqMEend_date实际上是下个月的月末所以我们用end_date - MonthEnd()来获取本月最后一天last_day_of_month end_date - MonthEnd(1)# 计算这个月有多少天days_in_month.append((last_day_of_month - start_date).days 1)
# 转换为pandas Series以便进行索引和计算
days_in_month pd.Series(days_in_month, indexdate_series[:-1]) # 去掉最后一个月末的日期因为它不包含数据
# 计算加权平均回报率
# 注意我们需要将days_in_month向前移动一个月以便与monthly_return的索引对齐
weighted_return (monthly_return * days_in_month.shift(1)).sum() / days_in_month.sum()
# 由于我们使用了shift(1)所以第一个月的回报率没有被计算在内因为没有前一个月的天数
# 如果我们希望包含整个年份的回报率我们可以选择忽略第一个月或者使用一个默认值
# 但在这里我们假设数据是从第二个月开始有效的或者简单地忽略这个细节
# 打印加权平均回报率
print(weighted_return)
281-6-3、结果输出
# 281、pandas.Series.dt.daysinmonth属性
# 281-1、财务分析-月末结算和预算编制
# 2023-01-01 96.774194
# 2023-02-01 100.000000
# 2023-03-01 103.225806
# 2023-04-01 103.333333
# 2023-05-01 93.548387
# 2023-06-01 90.000000
# 2023-07-01 112.903226
# 2023-08-01 106.451613
# 2023-09-01 113.333333
# 2023-10-01 116.129032
# 2023-11-01 126.666667
# 2023-12-01 119.354839
# Freq: MS, dtype: float64# 281-2、数据完整性检查-验证数据完整性
# 2023-01-01 00:00:00 NaN
# 2023-01-02 00:00:00 NaN
# 2023-01-03 00:00:00 NaN
# 2023-01-04 00:00:00 NaN
# 2023-01-05 00:00:00 NaN
# ..
# 8 NaN
# 9 NaN
# 10 NaN
# 11 NaN
# 12 NaN
# Length: 377, dtype: float64# 281-3、平均日值计算-计算每月的平均日气温
# 2023-01-01 0.080645
# 2023-02-01 0.107143
# 2023-03-01 0.177419
# 2023-04-01 0.333333
# 2023-05-01 0.483871
# 2023-06-01 0.666667
# 2023-07-01 0.806452
# 2023-08-01 0.774194
# 2023-09-01 0.666667
# 2023-10-01 0.483871
# 2023-11-01 0.266667
# 2023-12-01 0.096774
# Freq: MS, dtype: float64# 281-4、时间序列转换-将月度数据转换为季度数据
# 2023-03-31 3.666667
# 2023-06-30 4.615385
# 2023-09-30 5.543478
# 2023-12-31 6.521739
# Freq: QE-DEC, dtype: float64# 281-5、资源规划和调度-根据每个月的天数规划人力资源
# 3.287671232876712# 281-6、时间序列模拟-生成模拟的每日销售数据
# 2023-01-31 96.774194
# 2023-02-28 114.285714
# 2023-03-31 100.000000
# 2023-04-30 110.000000
# 2023-05-31 109.677419
# 2023-06-30 116.666667
# 2023-07-31 116.129032
# 2023-08-31 119.354839
# 2023-09-30 126.666667
# 2023-10-31 125.806452
# 2023-11-30 133.333333
# 2023-12-31 132.258065
# Freq: ME, dtype: float64# 281-7、时间序列分析-计算加权平均回报率
# 0.027545454545454543
282、pandas.Series.dt.tz属性
282-1、语法
# 282、pandas.Series.dt.tz属性
pandas.Series.dt.tz
Return the timezone.Returns:
datetime.tzinfo, pytz.tzinfo.BaseTZInfo, dateutil.tz.tz.tzfile, or None
Returns None when the array is tz-naive.
282-2、参数 无
282-3、功能 用于获取或设置pandas.Series对象中时间戳的时区信息。
282-4、返回值 如果pandas.Series中的时间戳带有时区信息则dt.tz返回pytz库中的tzinfo对象表示时间戳的时区。例如UTC表示协调世界时(UTC)如果pandas.Series中的时间戳没有时区信息则dt.tz返回None。
282-5、说明 无
282-6、用法
282-6-1、数据准备
无
282-6-2、代码示例
# 282、pandas.Series.dt.tz属性
import pandas as pd
# 创建一个带有UTC时区的时间戳Series对象
timestamps_with_tz pd.Series(pd.date_range(2024-01-01, periods3, freqD, tzUTC))
# 获取时区信息
timezone_info timestamps_with_tz.dt.tz
print(timezone_info)
# 创建一个没有时区的时间戳Series对象
timestamps_no_tz pd.Series(pd.date_range(2024-01-01, periods3, freqD))
# 获取时区信息
timezone_info_no_tz timestamps_no_tz.dt.tz
print(timezone_info_no_tz)
282-6-3、结果输出
# 282、pandas.Series.dt.tz属性
# UTC
# None
283、pandas.Series.dt.freq属性
283-1、语法
# 283、pandas.Series.dt.freq属性
pandas.Series.dt.freq
283-2、参数 无
283-3、功能 用于返回时间序列数据的频率信息它提供了时间序列索引的频率属性可以帮助你确定数据的时间间隔这对于时间序列数据的处理和分析非常重要特别是在需要进行频率转换、重采样或预测等操作时。
283-4、返回值 返回一个pandas.tseries.offsets.DateOffset对象代表时间序列的频率。如果时间序列不规则(即没有固定频率)则返回None。
283-5、说明 使用场景
283-5-1、频率检测与验证
283-5-1-1、检测时间序列的规律性在处理时间序列数据时了解数据的频率有助于确定其是否规律。例如检测数据是否为日频、月频等以便选择合适的分析方法。
283-5-1-2、验证数据的完整性通过检测频率可以识别数据中是否存在缺失值或异常点。例如日频数据中可能存在缺少某几天的数据通过dt.freq可以帮助发现这些问题。
283-5-2、重采样操作
283-5-2-1、频率转换在重采样操作中需要将数据从一种频率转换为另一种频率例如从日频转换为月频dt.freq可以帮助确定当前数据的频率从而选择合适的重采样规则。
283-5-2-2、聚合与降采样在降采样时(例如从分钟频率降到小时频率)了解原始数据的频率有助于正确地聚合数据。
283-5-3、时间序列的绘图在时间序列的可视化中频率信息可以帮助设置合适的时间刻度使得图表更加清晰易读。例如在月频数据的图表中可以设置每个月为一个刻度。
283-5-4、异常检测当时间序列数据不规则时dt.freq会返回None这种情况下可以进一步分析数据的异常点或缺失值。
283-6、用法
283-6-1、数据准备
无
283-6-2、代码示例
# 283、pandas.Series.dt.freq属性
# 283-1、检测频率与验证数据完整性
import pandas as pd
# 创建一个日频率的时间序列数据
date_range pd.date_range(start2024-01-01, periods10, freqD)
data pd.Series(range(10), indexdate_range)
print(时间序列的频率:, data.index.freq)
# 检查是否有缺失日期
expected_dates pd.date_range(start2024-01-01, end2024-01-10, freqD)
missing_dates expected_dates.difference(data.index)
if len(missing_dates) 0:print(缺失的日期:, missing_dates)
else:print(没有缺失的日期, end\n\n)# 283-2、重采样操作
import pandas as pd
# 创建一个小时频率的时间序列数据
hourly_range pd.date_range(start2024-01-01, periods24, freqh)
hourly_data pd.Series(range(24), indexhourly_range)
print(原始数据的频率:, hourly_data.index.freq)
# 将小时频率的数据重采样为日频
daily_data hourly_data.resample(D).sum()
print(重采样后的频率:, daily_data.index.freq)
print(daily_data, end\n\n)# 283-3、时间序列的绘图
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib
# 配置字体确保中文字符正常显示
matplotlib.rcParams[font.sans-serif] [Microsoft YaHei]
# 创建一个月频率的时间序列数据
date_range pd.date_range(start2023-01-01, periods12, freqME)
data pd.Series(range(12), indexdate_range)
print(时间序列的频率:, data.index.freq)
# 绘制时间序列图
plt.figure(figsize(10, 5))
plt.plot(data.index, data, markero)
plt.title(时间序列图)
plt.xlabel(日期)
plt.ylabel(值)
plt.grid(True)
plt.show()# 283-4、异常检测
import pandas as pd
# 创建一个不规则的时间序列数据
irregular_range pd.to_datetime([2024-01-01, 2024-01-02, 2024-01-04])
irregular_data pd.Series([1, 2, 3], indexirregular_range)
print(不规则时间序列的频率:, irregular_data.index.freq)
# 检查不规则时间序列的缺失日期
expected_dates pd.date_range(start2024-01-01, end2024-01-04, freqD)
missing_dates expected_dates.difference(irregular_data.index)
if len(missing_dates) 0:print(缺失的日期:, missing_dates)
else:print(没有缺失的日期)
283-6-3、结果输出
# 283、pandas.Series.dt.freq属性
# 283-1、检测频率与验证数据完整性
# 时间序列的频率: Day
# 没有缺失的日期# 283-2、重采样操作
# 原始数据的频率: Hour
# 重采样后的频率: Day
# 2024-01-01 276
# Freq: D, dtype: int64# 283-3、时间序列的绘图
# 见图1# 283-4、异常检测
# 时间序列的频率: MonthEnd
# 不规则时间序列的频率: None
# 缺失的日期: DatetimeIndex([2024-01-03], dtypedatetime64[ns], freqD)
图1 284、pandas.Series.dt.isocalendar属性
284-1、语法
# 284、pandas.Series.dt.isocalendar属性
pandas.Series.dt.isocalendar()
Calculate year, week, and day according to the ISO 8601 standard.Returns:
DataFrame
With columns year, week and day.
284-2、参数 无
284-3、功能 可以从日期时间对象中提取ISO年、ISO周和ISO星期几的信息。
284-4、返回值 返回一个DataFrame其中包含三列year、week和day。
284-5、说明 使用场景
284-5-1、财务分析在财务分析中经常需要基于周、月或季度来汇总数据使用ISO周数可以确保所有数据按照一致的周次进行汇总和分析。例如比较每周的销售数据分析季节性趋势。
284-5-2、周报和计划安排ISO周数用于生成周报确保每个报告周期的数据准确特别是在计划和项目管理中。例如生成项目进度周报、员工工作计划。
284-5-3、周期性数据分析在时间序列分析中识别和分析周期性趋势或季节性波动是常见任务使用ISO周数有助于准确定位每周的数据点。例如分析周度流量、评估季节性商品销售。
284-5-4、数据清理和对齐在处理来自不同时间区域的数据时使用ISO日历可以帮助标准化日期以便更好地合并和对齐数据。例如合并不同来源的时间序列数据。
284-5-5、国际化业务ISO周数在国际化业务中尤其重要因为它避免了由于不同地区采用不同的周定义(如周一或周日为一周开始)而产生的日期混淆。例如跨国公司的全球报告系统。
284-6、用法
284-6-1、数据准备
无
284-6-2、代码示例
# 284、pandas.Series.dt.isocalendar属性
# 284-1、财务分析
import pandas as pd
# 创建一个销售数据DataFrame
data {date: pd.date_range(2024-07-01, periods10, freqD),sales: [100, 150, 200, 250, 300, 350, 400, 450, 500, 550]
}
df pd.DataFrame(data)
# 提取ISO年和周数
df[iso_year] df[date].dt.isocalendar().year
df[iso_week] df[date].dt.isocalendar().week
# 按ISO周汇总销售数据
weekly_sales df.groupby([iso_year, iso_week])[sales].sum().reset_index()
print(weekly_sales, end\n\n)# 284-2、周报和计划安排
import pandas as pd
# 创建一个项目进度DataFrame
data {task: [Task A, Task B, Task C, Task D],start_date: pd.to_datetime([2024-01-02, 2024-01-05, 2024-01-08, 2024-01-11]),end_date: pd.to_datetime([2024-01-06, 2024-01-09, 2024-01-12, 2024-01-15])
}
df pd.DataFrame(data)
# 提取ISO年和周数
df[start_week] df[start_date].dt.isocalendar().week
df[end_week] df[end_date].dt.isocalendar().week
# 输出结果
print(df, end\n\n)# 284-3、周期性数据分析
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个流量数据 DataFrame
data {date: pd.date_range(2024-07-01, periods30, freqD),traffic: [500, 600, 700, 800, 900, 1000, 1100,1200, 1300, 1400, 1500, 1600, 1700, 1800,1900, 2000, 2100, 2200, 2300, 2400, 2500,2600, 2700, 2800, 2900, 3000, 3100, 3200,3300, 3400]
}
df pd.DataFrame(data)
# 提取ISO周数
df[iso_week] df[date].dt.isocalendar().week
# 按周汇总流量数据
weekly_traffic df.groupby(iso_week)[traffic].sum()
# 绘制流量趋势图
plt.plot(weekly_traffic.index, weekly_traffic.values)
plt.xlabel(ISO Week)
plt.ylabel(Traffic)
plt.title(Weekly Traffic Analysis)
plt.grid(True)
plt.show()# 284-4、数据清理和对齐
import pandas as pd
# 创建两个来源的数据
data1 {date: pd.to_datetime([2024-01-01, 2024-01-02, 2024-01-03]),value: [10, 20, 30]
}
data2 {date: pd.to_datetime([2024-01-04, 2024-01-05, 2024-01-06]),value: [40, 50, 60]
}
df1 pd.DataFrame(data1)
df2 pd.DataFrame(data2)
# 提取ISO年和周数
df1[iso_week] df1[date].dt.isocalendar().week
df2[iso_week] df2[date].dt.isocalendar().week
# 合并数据
merged_data pd.concat([df1, df2]).reset_index(dropTrue)
# 输出结果
print(merged_data, end\n\n)# 284-5、国际化业务
import pandas as pd
# 创建一个国际化日期数据DataFrame
data {region: [US, EU, Asia],date: pd.to_datetime([2024-01-01, 2024-01-02, 2024-01-03])
}
df pd.DataFrame(data)
# 提取 ISO 年和周数
df[iso_week] df[date].dt.isocalendar().week
# 输出结果
print(df)
284-6-3、结果输出
# 284、pandas.Series.dt.isocalendar属性
# 284-1、财务分析
# iso_year iso_week sales
# 0 2024 27 1750
# 1 2024 28 1500# 284-2、周报和计划安排
# task start_date end_date start_week end_week
# 0 Task A 2024-01-02 2024-01-06 1 1
# 1 Task B 2024-01-05 2024-01-09 1 2
# 2 Task C 2024-01-08 2024-01-12 2 2
# 3 Task D 2024-01-11 2024-01-15 2 3# 284-3、周期性数据分析
# 见图2# 284-4、数据清理和对齐
# date value iso_week
# 0 2024-01-01 10 1
# 1 2024-01-02 20 1
# 2 2024-01-03 30 1
# 3 2024-01-04 40 1
# 4 2024-01-05 50 1
# 5 2024-01-06 60 1# 284-5、国际化业务
# region date iso_week
# 0 US 2024-01-01 1
# 1 EU 2024-01-02 1
# 2 Asia 2024-01-03 1
图2 285、pandas.Series.dt.to_period方法
285-1、语法
# 285、pandas.Series.dt.to_period方法
pandas.Series.dt.to_period(*args, **kwargs)
Cast to PeriodArray/PeriodIndex at a particular frequency.Converts DatetimeArray/Index to PeriodArray/PeriodIndex.Parameters:
freq
str or Period, optional
One of pandas’ period aliases or an Period object. Will be inferred by default.Returns:
PeriodArray/PeriodIndex
Raises:
ValueError
When converting a DatetimeArray/Index with non-regular values, so that a frequency cannot be inferred.
285-2、参数
285-2-1、*args(可选)其他位置参数为后续扩展功能做预留。
285-2-2、**kwargs(可选)其他关键字参数为后续扩展功能做预留。
285-3、功能 将Series对象中的日期时间数据转换为周期数据这对于时间序列分析非常有用例如按月、按季度或按年汇总数据通过指定不同的频率可以将日期时间数据转换为不同的周期类型。
285-4、返回值 返回一个新的Series对象其中包含Period对象Period是一个表示时间段的对象例如一个月、一季度或一年等。
285-5、说明 使用场景
285-5-1、数据汇总将高频数据(如每日数据)汇总到较低频率的数据(如月度、季度或年度)以便于统计分析和报告。例如将每日销售数据汇总为月度销售数据将每小时的温度记录汇总为每月的平均温度。
285-5-2、时间序列分析按不同周期对数据进行分析观察和比较不同周期的趋势和变化。例如比较不同季度的销售额增长趋势分析年度的气候变化模式。
285-5-3、数据对齐在处理多个时间序列时确保数据对齐到同一周期以便进行进一步的比较和分析。例如将两个不同频率的时间序列(如每日和每周数据)对齐到同一周期(如每月)。
285-5-4、绘制周期图表将时间序列数据按指定周期进行绘制以便更直观地展示数据趋势和变化。例如绘制每月的销售额变化图绘制每季度的气温变化图。
285-5-5、数据过滤按指定周期过滤数据以便仅分析和处理特定时间段的数据。例如过滤出特定月份的数据只处理特定年份的数据。
285-6、用法
285-6-1、数据准备
无
285-6-2、代码示例
# 285、pandas.Series.dt.to_period方法
# 285-1、数据汇总
import pandas as pd
# 创建包含每日销售数据的Series
date_series pd.Series([100, 200, 150, 300, 250], indexpd.date_range(2024-01-01, periods5, freqD))
# 转换为月度周期
period_series_month date_series.resample(ME).sum()
print(period_series_month, end\n\n)# 285-2、时间序列分析
import pandas as pd
# 创建包含每日销售数据的Series
date_series pd.Series([100, 200, 150, 300, 250, 400, 350, 450, 500, 600], indexpd.date_range(2024-01-01, periods10, freqD))
# 转换为季度周期
period_series_quarter date_series.to_period(Q).groupby(level0).sum()
print(period_series_quarter, end\n\n)# 285-3、数据对齐
import pandas as pd
# 创建包含每日销售数据的Series
date_series_daily pd.Series([100, 200, 150, 300, 250], indexpd.date_range(2024-01-01, periods5, freqD))
# 创建包含每周销售数据的Series
date_series_weekly pd.Series([700, 800], indexpd.date_range(2024-01-01, periods2, freqW))
# 转换为月度周期并对齐
period_series_daily_month date_series_daily.to_period(M).groupby(level0).sum()
period_series_weekly_month date_series_weekly.to_period(M).groupby(level0).sum()
aligned_series period_series_daily_month.add(period_series_weekly_month, fill_value0)
print(aligned_series, end\n\n)# 285-4、绘制周期图表
import matplotlib.pyplot as plt
# 创建包含每日销售数据的Series
date_series pd.Series([100, 200, 150, 300, 250, 400, 350, 450, 500, 600], indexpd.date_range(2024-01-01, periods10, freqD))
# 转换为月度周期
period_series_month date_series.to_period(M).groupby(level0).sum()
# 绘制图表
period_series_month.plot(kindbar)
plt.title(Monthly Sales)
plt.xlabel(Month)
plt.ylabel(Sales)
plt.show()# 285-5、数据过滤
import pandas as pd
# 创建包含每日销售数据的Series
date_series pd.Series([100, 200, 150, 300, 250, 400, 350, 450, 500, 600], indexpd.date_range(2024-01-01, periods10, freqD))
# 转换为月度周期
period_series_month date_series.to_period(M)
# 过滤出2024年1月份的数据
filtered_series period_series_month[period_series_month.index 2024-01]
print(filtered_series)
285-6-3、结果输出
# 285、pandas.Series.dt.to_period方法
# 285-1、数据汇总
# 2024-01-31 1000
# Freq: ME, dtype: int64# 285-2、时间序列分析
# 2024Q1 3300
# Freq: Q-DEC, dtype: int64# 285-3、数据对齐
# 2024-01 2500
# Freq: M, dtype: int64# 285-4、绘制周期图表
# 见图3# 285-5、数据过滤
# 2024-01 100
# 2024-01 200
# 2024-01 150
# 2024-01 300
# 2024-01 250
# 2024-01 400
# 2024-01 350
# 2024-01 450
# 2024-01 500
# 2024-01 600
# Freq: M, dtype: int64
图3 二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
