本系列文章配套代码获取有以下三种途径：
-
可以在以下网站查看，该网站是使用JupyterLite搭建的web端Jupyter环境，因此无需在本地安装运行环境即可使用，首次运行浏览器需要下载一些配置文件（大约20M）：
https://returu.github.io/Python_Data_Analysis/lab/index.html-
也可以通过百度网盘获取，需要在本地配置代码运行环境，环境配置可以查看【Python基础】2.搭建Python开发环境：
链接：https://pan.baidu.com/s/1MYkeYeVAIRqbxezQECHwcA?pwd=mnsj提取码：mnsj
-
前往GitHub详情页面，单击 code 按钮，选择Download ZIP选项：
https://github.com/returu/Python_Data_Analysis根据《Python for Data Analysis 3rd Edition》翻译整理
—————————————————–
可以使用 to_period 方法将由时间戳索引的 Series 和 DataFrame 对象转换为区间：
1>>> dates = pd.date_range("2022-1-1" , periods=3 , freq="M")
2>>> dates
3DatetimeIndex(['2022-01-31', '2022-02-28', '2022-03-31'], dtype='datetime64[ns]', freq='M')
4
5>>> ts = pd.Series(np.arange(len(dates)) , index=dates)
6>>> ts
72022-01-31 0
82022-02-28 1
92022-03-31 2
10Freq: M, dtype: int32
11
12>>> ts.to_period()
132022-01 0
142022-02 1
152022-03 2
16Freq: M, dtype: int32
由于区间是不重叠的时间跨度，因此，一个时间戳只能属于给定频率的单个区间。
虽然，默认情况下，新的PeriodIndex 的频率是根据时间戳推断而来的，但是可以指定任意支持的频率。在结果中包含重复的区间也是没问题的：
1>>> dates = pd.date_range("2022-01-29", periods=6)
2>>> dates
3DatetimeIndex(['2022-01-29', '2022-01-30', '2022-01-31', '2022-02-01',
4 '2022-02-02', '2022-02-03'],
5 dtype='datetime64[ns]', freq='D')
6
7>>> ts2 = pd.Series(np.arange(6), index=dates)
8>>> ts2
92022-01-29 0
102022-01-30 1
112022-01-31 2
122022-02-01 3
132022-02-02 4
142022-02-03 5
15Freq: D, dtype: int32
16
17>>> ts2.to_period("M")
182022-01 0
192022-01 1
202022-01 2
212022-02 3
222022-02 4
232022-02 5
24Freq: M, dtype: int32
to_timestamp 方法可以将区间转换为时间戳，该方法返回 DatetimeIndex：
1>>> pts = ts2.to_period()
2>>> pts
32022-01-29 0
42022-01-30 1
52022-01-31 2
62022-02-01 3
72022-02-02 4
82022-02-03 5
9Freq: D, dtype: int32
10
11>>> pts.to_timestamp(how="end")
122022-01-29 23:59:59.999999999 0
132022-01-30 23:59:59.999999999 1
142022-01-31 23:59:59.999999999 2
152022-02-01 23:59:59.999999999 3
162022-02-02 23:59:59.999999999 4
172022-02-03 23:59:59.999999999 5
18Freq: D, dtype: int32
固定频率数据集有时存储在跨越多列的时间范围信息中。
例如，下面读取的数据集中，年份和季度在不同的列：
1>>> data = pd.read_csv("./data/Creating_PeriodIndex_from_Arrays.csv")
2>>> data.head(5)
3 Year Quarter data
40 2000 1 1
51 2000 2 2
62 2000 3 3
73 2000 4 4
84 2001 1 5
9
10>>> data["Year"]
110 2000
121 2000
132 2000
143 2000
154 2001
165 2001
176 2001
187 2001
198 2002
209 2002
2110 2002
2211 2002
2312 2003
2413 2003
2514 2003
2615 2003
2716 2004
2817 2004
2918 2004
3019 2004
3120 2005
3221 2005
3322 2005
3423 2005
35Name: Year, dtype: int64
36
37>>> data["Quarter"]
380 1
391 2
402 3
413 4
424 1
435 2
446 3
457 4
468 1
479 2
4810 3
4911 4
5012 1
5113 2
5214 3
5315 4
5416 1
5517 2
5618 3
5719 4
5820 1
5921 2
6022 3
6123 4
62Name: Quarter, dtype: int64
通过将这些数组和频率传递给 PeriodIndex，可以将它们组合起来形成 DataFrame 的索引：
1>>> index = pd.PeriodIndex(year=data["Year"], quarter=data["Quarter"],freq="Q-DEC")
2>>> index
3PeriodIndex(['2000Q1', '2000Q2', '2000Q3', '2000Q4', '2001Q1', '2001Q2',
4 '2001Q3', '2001Q4', '2002Q1', '2002Q2', '2002Q3', '2002Q4',
5 '2003Q1', '2003Q2', '2003Q3', '2003Q4', '2004Q1', '2004Q2',
6 '2004Q3', '2004Q4', '2005Q1', '2005Q2', '2005Q3', '2005Q4'],
7 dtype='period[Q-DEC]')
8
9>>> data.index = index
10>>> data
11 Year Quarter data
122000Q1 2000 1 1
132000Q2 2000 2 2
142000Q3 2000 3 3
152000Q4 2000 4 4
162001Q1 2001 1 5
172001Q2 2001 2 6
182001Q3 2001 3 7
192001Q4 2001 4 8
202002Q1 2002 1 9
212002Q2 2002 2 10
222002Q3 2002 3 11
232002Q4 2002 4 12
242003Q1 2003 1 13
252003Q2 2003 2 14
262003Q3 2003 3 15
272003Q4 2003 4 16
282004Q1 2004 1 17
292004Q2 2004 2 18
302004Q3 2004 3 19
312004Q4 2004 4 20
322005Q1 2005 1 21
332005Q2 2005 2 22
342005Q3 2005 3 23
352005Q4 2005 4 24
本篇文章来源于微信公众号: 码农设计师
