| 頻率別名 | 描述 |
|---|---|
| B | 工作日頻率 |
| C | 自定義工作日頻率 |
| D | 日歷日頻率 |
| W | 每周頻率 |
| M | 每月最后一個日歷日 |
| SM | 每半個月最后一個日歷日（15日和月末） |
| BM | 每月最后一個工作日 |
| CBM | 自定義每月最后一個工作日 |
| MS | 每月第一個日歷日 |
| SMS | 每半月第一個日歷日（第1和第15） |
| BMS | 每月第一個工作日 |
| CBMS | 自定義每月第一個工作日 |
| Q | 每季度最后一個月的最后一個日歷日 |
| BQ | 每季度最后一個月的最后一個工作日 |
| QS | 每季度最后一個月的第一個日歷日 |
| BQS | 每季度最后一個月的第一個工作日 |
| A, Y | 每年的最后一個日歷日 |
| BA, BY | 每年的最后一個工作日 |
| AS, YS | 每年的第一個日歷日 |
| BAS, BYS | 每年的第一個工作日 |
| BH | 工作日按“時”計算頻率 |
| H | 每小時頻率 |
| T, min | 每分鐘頻率 |
| S | 每秒頻率 |
| L, ms | 毫秒頻率 |
| U, us | 微秒頻率 |
| N | 納秒頻率 |
import pandas as pd
import numpy as np
df = pd.DataFrame( data=np.random.randint(1,20,10),
index=pd.date_range(start="20/01/2021",periods=10,freq="M"),)
print(df)
0
2021-01-31 1
2021-02-28 6
2021-03-31 12
2021-04-30 5
2021-05-31 7
2021-06-30 4
2021-07-31 9
2021-08-31 7
2021-09-30 18
2021-10-31 10
0
count 10.00000
mean 7.90000
std 4.72464
min 1.00000
25% 5.25000
50% 7.00000
75% 9.75000
max 18.00000
創(chuàng)建時添加索引
pd.DataFrame(...,index=[],...)
df.set_index使用現(xiàn)有列設置索引
df.set_index(["X"],inplace=True) df.set_index(["X","Y"],inplace=True)
df.reset_index可以還原索引
df.reset_index("X")
df.truncate過濾數(shù)據(jù)
df.truncate(before="2021-5",after="2021-9")
0
2021-05-31 7
2021-06-30 4
2021-07-31 9
2021-08-31 7
df.loc索引過濾
df.loc["2021-5":]
0
2021-05-31 7
2021-06-30 4
2021-07-31 9
2021-08-31 7
2021-09-30 18
2021-10-31 10
duplicated()方法判斷
# 判斷dataframe數(shù)據(jù)整行是否重復 df.duplicated() # dataframe數(shù)據(jù)某列是否重復 df.columns_name.duplicated() # 判斷dataframe數(shù)據(jù)多列數(shù)據(jù)是否重復(多列組合查) df.duplicated(subset = ['n1','n2'])
groupby().count()
df.groupby('columns').count()>1
drop_duplicats參數(shù)說明：
df.drop_duplicats(subset=['name1','name2'],keep='last',inplace=True)
按照index索引去重
df.index.duplicated(keep='last')
df.info查詢各列的信息
df.info() # res class 'pandas.core.frame.DataFrame'> Int64Index: 10 entries, 19 to 14 Data columns (total 2 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Y 10 non-null int32 1 Z 10 non-null int32 dtypes: int32(2) memory usage: 160.0 bytes
df.isnull判斷是否是空值
df.isnull().any() # 篩選出缺失值的列 df.isna().any() # 篩選出缺失值的列
df.empty判斷是否有空值
df.empty
5.2 缺失值填充
ffill 空值取前面的值
df.ffill()
bfill 空值取后面的值
df.bfill()
fillna 指定值填充
df.fillna(1)
df.fillna({'A': 0, 'B': 1, 'C': 2, 'D': 3}) # 指定列填充
interpolate 插值
dff.interpolate(method='polynomial',order=2)
刪除缺失值
df.dropna(how='any')
| 方法 | 說明 |
|---|---|
| count | 非NaN值的數(shù)理 |
| describe | 列計算統(tǒng)計匯總 |
| min、max | 最小值和最大值 |
| argmin、argmax | 最小值和最大值索引(int) |
| idxmin、idxmax | 最小值和最大值索引 |
| quantile | 分位數(shù)([0,1]，0.25下四分為) |
| sum | 總和 |
| mean | 均值 |
| median | 0.5分位數(shù)，中位數(shù) |
| mad | 根據(jù)均值計算絕對離差 |
| var | 方差 |
| std | 標準差 |
df.describe()
重采樣就是基于時間數(shù)據(jù)由一個頻率轉換到另一個頻率的方法，分為降采樣和升采樣。
降采樣：高頻率===>低頻率，如頻率日變?yōu)樵拢枰付ńy(tǒng)計函數(shù)如sum
df.resample("M").mean()
升采樣：低頻率===>高頻率，如頻率月變?yōu)槿眨枰M行缺失值填充
df.resample("D").asfreq().fillna(1)
到此這篇關于Pandas中時間序列處理的文章就介紹到這了,更多相關Pandas時間序列處理內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
