首页 › Pandas 数据分析 › 时间序列
时间序列
带有时间信息的数据非常常见,例如每天的销量、每分钟的访问量。Pandas 对时间序列有很好的支持。
转换为日期类型
import pandas as pd
df = pd.DataFrame({
"日期": ["2026-01-01", "2026-01-02", "2026-01-05", "2026-02-01"],
"销量": [120, 98, 150, 200],
})
df["日期"] = pd.to_datetime(df["日期"])
print(df.dtypes)
读取 CSV 时可以直接用 parse_dates=["日期"] 解析。
提取日期的各部分
df["年"] = df["日期"].dt.year
df["月"] = df["日期"].dt.month
df["星期"] = df["日期"].dt.day_name()
print(df)
设为索引并按时间筛选
s = df.set_index("日期")["销量"]
print(s["2026-01"]) # 1 月的全部数据
print(s["2026-01-02":"2026-01-31"]) # 时间区间
生成日期范围
days = pd.date_range("2026-01-01", periods=7, freq="D")
months = pd.date_range("2026-01-01", "2026-12-31", freq="MS") # 每月第一天
print(days)
print(len(months))
重采样
把高频数据汇总成低频数据,例如把每日数据汇总为每周、每月:
import numpy as np
daily = pd.Series(
np.arange(1, 91),
index=pd.date_range("2026-01-01", periods=90, freq="D"),
)
print(daily.resample("ME").sum()) # 每月合计
print(daily.resample("W").mean().head())
滑动窗口
计算移动平均,可以平滑短期波动、观察趋势:
print(daily.rolling(window=7).mean().tail())
计算环比
monthly = daily.resample("ME").sum()
print(monthly.pct_change().round(3)) # 与上个月相比的变化率
常用频率代码
| 代码 | 含义 |
|---|---|
D | 日 |
W | 周 |
ME / MS | 月末 / 月初 |
QE | 季度末 |
h | 小时 |
min | 分钟 |
练习题
学完本节后,试着独立完成下面的练习,再展开参考答案对照。
练习 1 生成 2026 年 1 月每天的模拟销量(1~31),按周汇总求和。
查看参考答案
import pandas as pd
s = pd.Series(range(1, 32), index=pd.date_range("2026-01-01", periods=31, freq="D"))
print(s.resample("W").sum())参考输出:
2026-01-04 10
2026-01-11 56
2026-01-18 105
2026-01-25 154
2026-02-01 171
Freq: W-SUN, dtype: int64