（13）Python初入坑之時間序列基礎內容

本節介紹python的關於時間序列的基礎內容。

一、時間序列的基礎內容

在金融和經濟學領域python已經承擔起了很多任務，這得益於pandas對於時間序列的良好支持。現在在金融和數據分析的重要性正在強勁增長，金融和經濟領域中實時分析也逐漸興起，無論是出於監管還是投資決策還是金融產品的定價等等，這一切都離不開對於時間序列的分析。

pandas可以高效的處理非常大的時間序列。

首先我們熟悉一下python標準庫中處理日期和時間的datetime模塊。

datatime包中有很多模塊，有date模塊，time模塊，datetime模塊等等，我們從中引入datetime模塊。datetime.now() 是返回當前的時間。2018年4月20日，20點，3分，54秒，339461微秒。

那我們也可以取出now的年月日。

如果我們想要知道兩個日期之間的相隔時間，可以直接用兩個時間相減。例如：

使用datetime將兩個時間相減，2018年4月20日，減去2018年3月20日10點，得到一個timedelta數值，也就是時長數值，30天，50400秒。我們還能用days，seconds將天數和秒數單獨取出來。

如果我們要給現有的時間加減某一個時長，需要再引入timedelta模塊。

給2017年8月24日加上30天，得出的時間就是9月23日。

有的時候，日期是被保存成字元串的，關於日期在字元串和數值之間的轉換，我們來探究一下。

把一個datetime型數據改變成字元串，可以採用以下幾種方法：

通過str方法，把theday改變從一個精確到秒的字元串，這樣可以統一輸出成這種格式。

或者使用strftime函數進行變換。後面需要定義輸出的格式，可以自由安排年月日的位置，大寫Y則表示4位數格式的年份，小寫y則只輸出2位數。

那怎麼把一個時間樣式的字元串改變成時間的數值類型呢？使用strptime函數。

但是如果在pandas中，時間的解析就非常智能了。pandas可以使用to_datetime解析時間。

輸出一個時間，則會識別成時間戳的格式。

如果輸入一個列表，則會輸出成一個index類型。數據類型是datetime64[ns]納秒，是numpy類型。freq是指的時間間隔，我們後面會講。

可以看出，to_datetime默認是按照月，日，年的格式識別。那如果我們要識別成2017年10月1日呢？也就是識別的時候需要按照日，月，年的格式識別。我們需要添加限定參數，dayfirst=True。

同時，中間的符號可以多樣，/ - . 都可以，to_datetime都可以識別。

如何生成datetimeindex。

如何生成時間序列呢，我們下面做一個示範。

使用date_range() 可以生成連續的時間序列，填入起始時間和結束時間，以天為間隔。

我們也可以只輸入起始時間或者結束時間，然後使用periods確定時間的時長。起始時間使用start表明。freq=D就是指，間隔為天。

當然我們也可以使用結束時間end= 來表示結束之前多少天。

freq不設置的話，就會默認是D，即天。我們也可以單獨設置freq的格式。

BM是指的每個月的最後一個工作日，則2017.01.01-2017.12.01就按照每個月的最後一個工作日隔開。「BM」代表business end of month。例如H是hour，M是month，D是day，A是year，也可以使用其他的值。

如果我們要以每個月的倒數第三個工作日進行分隔，可以像下面這樣加上timedelta進行限定。定義好了index之後，減去timedelta(2)即可。

timedelta默認是天數，然後是秒數，如timedelta(2,10)是2天10秒，timedelta(2,36000)是2天10個小時。

上面的data_range都是默認某一天的0點0分，我們也可以細化到小時，分鐘和秒。

這樣時間就會細化到秒，那如果我們要忽略掉小時分鐘和秒，只保留年月日呢，可以用normalize=True。

下面我們生成一個以時間序列作為索引的Series。

序列是時間序列，在計算的時候，也會自動對齊。

例如ts，和ts每兩個取一個進行相加，匹配到了則求和，未匹配到則返回空值。關於[::2]是取Series中，每兩個取一個，即隔一個取一個，切片的知識可以查看廖雪峰慕課網python入門的8-1節進行回顧。