当前位置:技术分享 > 技术参考 > 正文

Pandas时序数据处理入门2019-05-10 09:39:49 | 编辑:hely | 查看: | 评论:0

作为一个几乎每天与时间序列数据打交道的人员,我发现panda Python包在时间序列的操作和分析方面有强大优势。这篇关于panda时间序列数据处理的基本介绍可以带你入门时间序列分析。

 图片来源:https://pixabay.com/

作为一个几乎每天与时间序列数据打交道的人员,我发现panda Python包在时间序列的操作和分析方面有强大优势。

这篇关于panda时间序列数据处理的基本介绍可以带你入门时间序列分析。本文将主要介绍以下操作:

♦ 创建一个日期范围

♦ 处理时间戳数据

♦ 将字符串数据转换为时间戳

♦ 在数据框中索引和切片时间序列数据

♦ 重新采样不同时间段的时间序列汇总/汇总统计数据

♦ 计算滚动统计数据,如滚动平均值

♦ 处理丢失数据

♦ 了解unix/epoch时间的基础知识

♦ 了解时间序列数据分析的常见陷阱

接下来我们一起步入正题。如果想要处理已有的实际数据,你可能考虑从使用panda read_csv将文件读入数据框开始,然而在这里,我们将直接从处理生成的数据开始。

首先导入我们将会使用到的库,然后用它们创建日期范围

 

 

这个日期范围的时间戳为每小时一次。如果我们调用date_rng,我们会看到如下所示:

 

 

我们可以检查第一个元素的类型:

 

 

让我们用时间戳数据的创建一个示例数据框,并查看前15个元素:

 

 

 

 

示例数据框

如果想进行时间序列操作,我们需要一个日期时间索引。这样一来,数据框便可以在时间戳上建立索引。

将数据框索引转换为datetime索引,然后显示第一个元素:

 

 

 

 

如果数据中的“时间”戳实际上是字符串类型和数值类型相比较,该怎么办呢?我们可以将date_rng转换为字符串列表,然后将字符串转换为时间戳。

 

 

可以通过推断字符串的格式将其转换为时间戳,然后查看这些值:

 

 

但是如果需要转换一个唯一的字符串格式呢?

我们可以创建一个任意的字符串形式的日期列表,并将它们转换为时间戳:

 

 

如果把它放到数据框中,将会如何?

 

 

 

 

回到最初的数据框架,让我们通过解析时间戳索引来查看数据:

假设只想查看本月2号的数据,可以使用如下索引。

 

 

顶部如图所示:

 

 

也可以通过数据框索引直接调用想查看的日期:

 

 

 

 

如何在特定日期之间选择数据?

 

 

 

 

我们填充的基本数据框提供了频率以小时计的数据,但同样可以以不同的频率重新采样数据,并指定如何计算新样本频率的汇总统计信息。我们可以取每天频率下数据的最小值、最大值、平均值、总和等,而不是每小时的频率,如下面的例子,计算每天数据的平均值:

 

 

 

 

那么诸如滚动平均值或滚动和之类的窗口统计信息呢?

让我们在原来的df中创建一个新列,计算3个窗口周期内的滚动和,然后查看数据框的顶部:

 

 

 

 

可以看到,在这个正确的计算中,只有当存在三个周期可以回顾时,它才开始具有有效值。

这可以有效地帮我们了解到,当处理丢失的数据值时,如何向前或向后“滚动”数据。

这是我们的df,但有一个新的列,采取滚动求和并向后“滚动”数据:

 

 

 

 

采用诸如平均时间之类的实际值用于填补丢失的数据,这种方法通常来说是有效的。但一定谨记,如果你正处理一个时间序列的问题,并且希望数据是切合实际的,那么你不应该向后“滚动”数据。因为这样一来,你需要的关于未来的信息就永远不可能在那个时间获取到。你可能更希望频繁地向前“滚动”数据,而不是向后“滚动”。

在处理时间序列数据时,可能会遇到Unix时间中的时间值。Unix时间,也称为Epoch时间,是自协调世界时(UTC) 1970年1月1日星期四00:00:00以后经过的秒数。使用Unix时间有助于消除时间戳的歧义,这样我们就不会被时区、夏令时等混淆。

下面是一个时间t在Epoch时间的例子,它将Unix/Epoch时间转换为UTC中的常规时间戳:

 

 

如果我想把UTC中的时间转换为自己的时区,可以简单地做以下操作:

 

 

掌握了这些基础知识后,就可以开始处理时间序列数据了。

以下是一些处理时间序列数据时要记住的技巧和常见的陷阱:

检查数据中可能由区域特定时间变化(如夏令时)引起的差异。

精心跟踪时区 - 让他人通过代码了解你的数据所在的时区,并考虑转换为UTC或标准化值以保持数据标准化。

丢失的数据可能经常发生 - 请确保记录清洁规则并考虑不回填在采样时无法获得的信息。

请记住,当重新采样数据或填写缺失值时,将丢失有关原始数据集的一定数量的信息。建议跟踪所有数据转换并跟踪数据问题根源。

重新采样数据时,最佳方法(平均值,最小值,最大值,总和等)取决于拥有的数据类型以及采样方式。请仔细考虑如何重新采样数据以进行分析。

Programming

Python

Pandas

Timeseries

Data Science

文章原标题《Basic Time Series Manipulation with Pandas》,译者:狮子家的袋鼠,

上一篇:分布式架构中数据一致性常见的几个问题 HDFS监控背后那些事儿,构建Hadoop监控共同体下一篇:

公众平台

搜索"raincent"或扫描下面的二维码