pandas 周期索引 PeriodIndex

更新时间：2022-04-04 10:20:07 标签：pandas 周期 索引

看过来

《pandas 教程》持续更新中，可作为 pandas 入门进阶课程、pandas 中文手册、用法大全，配有案例讲解和速查手册。提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。查看更新日志。作者开办 Python 数据分析培训，详情 Python 数据分析培训。

本教程作者所著新书《Python之光：Python编程入门与实战》（ISBN：9787111729891）已由机械工业出版社出版上市，各大电商平台有售，欢迎：查看详情并关注购买。

本教程作者所著新书《深入浅出Pandas：利用Python进行数据处理与分析》（ISBN：9787111685456）已由机械工业出版社出版上市，各大电商平台有售，欢迎：查看详情并关注购买。

Pandas 周期索引（PeriodIndex）是针对周期数据的专门索引，可以快速进行周期数据进行分析。

PeriodIndex

可以使用 period_range 可以构造 Period 序列：

prng = pd.period_range('1/1/2011', '1/1/2012', freq='M')
prng
'''
PeriodIndex(['2011-01', '2011-02', '2011-03', '2011-04', '2011-05', '2011-06',
             '2011-07', '2011-08', '2011-09', '2011-10', '2011-11', '2011-12',
             '2012-01'],
            dtype='period[M]', freq='M')
'''

pd.PeriodIndex 也可以直接构建：

pd.PeriodIndex(['2011-1', '2011-2', '2011-3'], freq='M')
# PeriodIndex(['2011-01', '2011-02', '2011-03'], dtype='period[M]', freq='M')

频率匹配

通过倍频将输出一个周期范围，该周期具有倍频范围:

pd.period_range(start='2014-01', freq='3M', periods=4)
# PeriodIndex(['2014-01', '2014-04', '2014-07', '2014-10'], dtype='period[3M]', freq='3M')

如果 start或 end 是 Period 对象，则它们将用作 PeriodIndex 的锚定端点，其频率与PeriodIndex 构造函数的频率匹配。

pd.period_range(start=pd.Period('2017Q1', freq='Q'),
                end=pd.Period('2017Q2', freq='Q'),
                freq='M')
# PeriodIndex(['2017-03', '2017-04', '2017-05', '2017-06'], dtype='period[M]', freq='M')

就像 DatetimeIndex 一样，PeriodInde x也可以用于索引对象：

ps = pd.Series(np.random.randn(len(prng)), prng)
ps
'''
2011-01    2.518126
2011-02    1.320531
2011-03   -1.734174
2011-04   -1.633595
2011-05   -1.378595
2011-06    0.811348
2011-07   -1.129544
2011-08   -0.125929
2011-09   -0.236788
2011-10   -1.465034
2011-11    0.042106
2011-12    0.895732
2012-01   -0.026086
Freq: M, dtype: float64
'''

计算

PeriodIndex 支持与 Period 相同的规则加法和减法:

idx = pd.period_range('2014-07-01 09:00', periods=5, freq='H')
idx
'''
PeriodIndex(['2014-07-01 09:00', '2014-07-01 10:00', '2014-07-01 11:00',
             '2014-07-01 12:00', '2014-07-01 13:00'],
            dtype='period[H]', freq='H')
'''


idx + pd.offsets.Hour(2)
'''
PeriodIndex(['2014-07-01 11:00', '2014-07-01 12:00', '2014-07-01 13:00',
             '2014-07-01 14:00', '2014-07-01 15:00'],
            dtype='period[H]', freq='H')
'''
idx = pd.period_range('2014-07', periods=5, freq='M')
idx
# PeriodIndex(['2014-07', '2014-08', '2014-09', '2014-10', '2014-11'], dtype='period[M]', freq='M')

idx + pd.offsets.MonthEnd(3)
# PeriodIndex(['2014-10', '2014-11', '2014-12', '2015-01', '2015-02'], dtype='period[M]', freq='M')

周期索引转换

如果想转换为周期，可以用 .astype(...)，它允许人们更改 PeriodIndex 的频率，例如.asfreq()，并将 DatetimeIndex 转换为PeriodIndex，例如to_period()：

# 频率从月转为天
pi.astype('period[D]')
# PeriodIndex(['2016-01-31', '2016-02-29', '2016-03-31'], dtype='period[D]', freq='D')

# 转换为 DatetimeIndex
pi.astype('datetime64[ns]')
# DatetimeIndex(['2016-01-01', '2016-02-01', '2016-03-01'], dtype='datetime64[ns]', freq='MS')

# 转换为 PeriodIndex
dti = pd.date_range('2011-01-01', freq='M', periods=3)
dti
# DatetimeIndex(['2011-01-31', '2011-02-28', '2011-03-31'], dtype='datetime64[ns]', freq='M')
dti.astype('period[M]')
# PeriodIndex(['2011-01', '2011-02', '2011-03'], dtype='period[M]', freq='M')

索引读取数据

通过索引查询数据：

ps['2011-01']
# -2.9169013294054507

ps[datetime.datetime(2011, 12, 25):]
'''
2011-12    2.261385
2012-01   -0.329583
Freq: M, dtype: float64
'''

ps['10/31/2011':'12/31/2011']
'''
2011-10    0.056780
2011-11    0.197035
2011-12    2.261385
Freq: M, dtype: float64
'''

传递一个表示比 PeriodIndex 更低的频率的字符串将返回部分切片的数据。

ps['2011']
'''
2011-01   -2.916901
2011-02    0.514474
2011-03    1.346470
2011-04    0.816397
2011-05    2.258648
2011-06    0.494789
2011-07    0.301239
2011-08    0.464776
2011-09   -1.393581
2011-10    0.056780
2011-11    0.197035
2011-12    2.261385
Freq: M, dtype: float64
'''

dfp = pd.DataFrame(np.random.randn(600, 1),
                   columns=['A'],
                   index=pd.period_range('2013-01-01 9:00',
                                         periods=600,
                                         freq='T'))

dfp
'''
                         A
2013-01-01 09:00 -0.538468
2013-01-01 09:01 -1.365819
2013-01-01 09:02 -0.969051
2013-01-01 09:03 -0.331152
2013-01-01 09:04 -0.245334
...                    ...
2013-01-01 18:55  0.522460
2013-01-01 18:56  0.118710
2013-01-01 18:57  0.167517
2013-01-01 18:58  0.922883
2013-01-01 18:59  1.721104

[600 rows x 1 columns]
'''
dfp['2013-01-01 10H']
'''
                         A
2013-01-01 10:00 -0.308975
2013-01-01 10:01  0.542520
2013-01-01 10:02  1.061068
2013-01-01 10:03  0.754005
2013-01-01 10:04  0.352933
...                    ...
2013-01-01 10:55 -0.865621
2013-01-01 10:56 -1.167818
2013-01-01 10:57 -2.081748
2013-01-01 10:58 -0.527146
2013-01-01 10:59  0.802298

[60 rows x 1 columns]
'''

与DatetimeIndex一样，端点将包含在结果中。下面的示例对从10:00到11:59的数据进行切片。

dfp['2013-01-01 10H':'2013-01-01 11H']
'''
                         A
2013-01-01 10:00 -0.308975
2013-01-01 10:01  0.542520
2013-01-01 10:02  1.061068
2013-01-01 10:03  0.754005
2013-01-01 10:04  0.352933
...                    ...
2013-01-01 11:55 -0.590204
2013-01-01 11:56  1.539990
2013-01-01 11:57 -1.224826
2013-01-01 11:58  0.578798
2013-01-01 11:59 -0.685496

[120 rows x 1 columns]
'''

<< 周期类型及转换 pandas 教程超出时间戳范围时间 >>