pandas教程：Periods and Period Arithmetic 周期和周期运算-灵析社区
清晨我上码11.5 Periods and Period Arithmetic（周期和周期运算）
Periods（周期）表示时间跨度（timespans），比如天，月，季，年。Period类表示的就是这种数据类型，构建的时候需要用字符串或整数，以及一个频度（关于频度的代码可以看11.4中的表格）：
import numpy as np
import pandas as pdp = pd.Period(2007, freq='A-DEC')
pPeriod('2007', 'A-DEC')在这个例子里，Period对象代表了整个2007年一年的时间跨度，从1月1日到12月31日。在Period对象上进行加减，会有和对频度进行位移（shifting）一样的效果：
p + 5Period('2012', 'A-DEC')p - 2Period('2005', 'A-DEC')如果两个周期有相同的频度，二者的区别就是它们之间有多少个单元（units）：
pd.Period('2014', freq='A-DEC') - p7固定范围的周期（Regular ranges of periods）可以通过period_range函数创建：
rng = pd.period_range('2000-01-01', '2000-06-03', freq='M')
rngPeriodIndex(['2000-01', '2000-02', '2000-03', '2000-04', '2000-05', '2000-06'], dtype='int64', freq='M')PeriodIndex类能存储周期组成的序列，而且可以作为任何pandas数据结构中的轴索引（axis index）：
pd.Series(np.random.randn(6), index=rng)2000-01 0.439035
2000-02 -0.231125
2000-03 -1.085106
2000-04 -1.909902
2000-05 1.478810
2000-06 0.656713
Freq: M, dtype: float64如果我们有字符串组成的数组，可以使用PeriodIndex类：
values = ['2001Q3', '2002Q2', '2003Q1']index = pd.PeriodIndex(values, freq='Q-DEC')
indexPeriodIndex(['2001Q3', '2002Q2', '2003Q1'], dtype='int64', freq='Q-DEC')1 Period Frequency Conversion（周期频度转换）
通过使用asfreq方法，Periods和PeriodIndex对象能被转换为其他频度。例如，假设我们有一个年度期间（annual period），并且想要转换为月度期间（monthly period），做法非常直观：
p = pd.Period('2007', freq='A-DEC')
pPeriod('2007', 'A-DEC')p.asfreq('M', how='start')Period('2007-01', 'M')p.asfreq('M', how='end')Period('2007-12', 'M')我们可以认为Period('2007', freq='A-DEC')是某种指向时间跨度的光标，而这个时间跨度被细分为月度期间。可以看下面的图示：
如果一个财政年度（fiscal year）是在1月结束，而不是12月，那么对应的月度期间会不一样：
p = pd.Period('2007', freq='A-JUN')
pPeriod('2007', 'A-JUN')p.asfreq('M', 'start')Period('2006-07', 'M')p.asfreq('M', 'end')Period('2007-06', 'M')当我们转换高频度为低频度时，pandas会根据 subperiod（次周期；子周期）的归属来决定superperiod（超周期；母周期）。例如，在A-JUN频度中，月份Aug-2007其实是个2008周期的一部分：
p = pd.Period('Aug-2007', 'M')p.asfreq('A-JUN')Period('2008', 'A-JUN')整个PeriodIndex对象或时间序列可以被转换为一样的语义（semantics）：
rng = pd.period_range('2006', '2009', freq='A-DEC')ts = pd.Series(np.random.randn(len(rng)), index=rng)
ts2006 0.391629
2007 0.497413
2008 -1.685639
2009 0.939885
Freq: A-DEC, dtype: float64ts.asfreq('M', how='start')2006-01 0.391629
2007-01 0.497413
2008-01 -1.685639
2009-01 0.939885
Freq: M, dtype: float64这里，年度周期可以用月度周期替换，对应的第一个月也会包含在每个年度周期里。如果我们想要每年的最后一个工作日的话，可以使用'B'频度，并指明我们想要周期的结尾：
ts.asfreq('B', how='end')2006-12-29 0.391629
2007-12-31 0.497413
2008-12-31 -1.685639
2009-12-31 0.939885
Freq: B, dtype: float642 Quarterly Period Frequencies（季度周期频度）
季度数据经常出现在会计，经济等领域。大部分季度数据都与财政年度结束日（fiscal year end）相关，比如12月最后一个工作日。因此，根据财政年度结束的不同，周期2012Q4也有不同的意义。pandas支持所有12个周期频度，从Q-JAN到Q-DEC：
p = pd.Period('2012Q4', freq='Q-JAN')
pPeriod('2012Q4', 'Q-JAN')如果是财政年度结束日在一月份，那么2012Q4代表从11月到1月，可以用日频度查看。
p.asfreq('D', 'start')Period('2011-11-01', 'D')p.asfreq('D', 'end')Period('2012-01-31', 'D')因此，做些简单的周期运算也是可能的，例如，获得每个季度的，第二个到最后一个工作日的，下午4点的时间戳：
p4pm = (p.asfreq('B', 'e') - 1).asfreq('T', 's') + 16 * 60
p4pmPeriod('2012-01-30 16:00', 'T')p4pm.to_timestamp()Timestamp('2012-01-30 16:00:00')还可以用period_range产生季度范围数据。运算方法也一样：
rng = pd.period_range('2011Q3', '2012Q4', freq='Q-JAN')ts = pd.Series(np.arange(len(rng)), index=rng)
ts2011Q3 0
2011Q4 1
2012Q1 2
2012Q2 3
2012Q3 4
2012Q4 5
Freq: Q-JAN, dtype: int64new_rng = (rng.asfreq('B', 'e') - 1).asfreq('T', 's') + 16 * 60ts.index = new_rng.to_timestamp()
ts2010-10-28 16:00:00 0
2011-01-28 16:00:00 1
2011-04-28 16:00:00 2
2011-07-28 16:00:00 3
2011-10-28 16:00:00 4
2012-01-30 16:00:00 5
dtype: int643 Converting Timestamps to Periods (and Back)（时间戳与周期相互转换）
用时间戳作为索引的Series和DataFrame对象，可以用to_period方法转变为周期：
rng = pd.date_range('2000-01-01', periods=3, freq='M')ts = pd.Series(np.random.randn(3), index=rng)
ts2000-01-31 1.556049
2000-02-29 -0.708661
2000-03-31 -0.154767
Freq: M, dtype: float64pts = ts.to_period()
pts2000-01 1.556049
2000-02 -0.708661
2000-03 -0.154767
Freq: M, dtype: float64因为周期是不重复的时间跨度（non-overlapping timespans），一个时间戳只能属于一个有指定频度的单独周期。尽管默认情况下新的PeriodIndex的频度会从时间戳中来推测，但我们也可以自己设定想要的频度。结果中有重复的周期也没有关系：
rng = pd.date_range('1/29/2000', periods=6, freq='D')
rngDatetimeIndex(['2000-01-29', '2000-01-30', '2000-01-31', '2000-02-01',
'2000-02-02', '2000-02-03'],
dtype='datetime64[ns]', freq='D')ts2 = pd.Series(np.random.randn(6), index=rng)
ts22000-01-29 1.115254
2000-01-30 -1.813124
2000-01-31 0.970670
2000-02-01 1.306337
2000-02-02 0.673274
2000-02-03 -0.105436
Freq: D, dtype: float64ts2.to_period('M')2000-01 1.115254
2000-01 -1.813124
2000-01 0.970670
2000-02 1.306337
2000-02 0.673274
2000-02 -0.105436
Freq: M, dtype: float64想转换回时间戳的话，使用to_timestamp:
pts = ts2.to_period()
pts2000-01-29 1.115254
2000-01-30 -1.813124
2000-01-31 0.970670
2000-02-01 1.306337
2000-02-02 0.673274
2000-02-03 -0.105436
Freq: D, dtype: float64pts.to_timestamp(how='end')2000-01-29 1.115254
2000-01-30 -1.813124
2000-01-31 0.970670
2000-02-01 1.306337
2000-02-02 0.673274
2000-02-03 -0.105436
Freq: D, dtype: float644 Creating a PeriodIndex from Arrays（从数组中创建一个周期索引）
有固定频度的数据集，有时会在很多列上存储时间跨度信息。例如，在下面的宏观经济数据及上，年度和季度在不同的列：
data = pd.read_csv('../examples/macrodata.csv')
data.head()
data.year[:5]1959Q1 1959.0
1959Q2 1959.0
1959Q3 1959.0
1959Q4 1959.0
1960Q1 1960.0
Freq: Q-DEC, Name: year, dtype: float64data.quarter[:5]1959Q1 1.0
1959Q2 2.0
1959Q3 3.0
1959Q4 4.0
1960Q1 1.0
Freq: Q-DEC, Name: quarter, dtype: float64通过把这些数组传递给PeriodIndex，并指定频度，我们可以把这些合并得到一个新的DataFrame：
index = pd.PeriodIndex(year=data.year, quarter=data.quarter,
freq='Q-DEC')
indexPeriodIndex(['1959Q1', '1959Q2', '1959Q3', '1959Q4', '1960Q1', '1960Q2',
'1960Q3', '1960Q4', '1961Q1', '1961Q2',
...
'2007Q2', '2007Q3', '2007Q4', '2008Q1', '2008Q2', '2008Q3',
'2008Q4', '2009Q1', '2009Q2', '2009Q3'],
dtype='int64', length=203, freq='Q-DEC')data.index = indexdata.head()
data.infl[:5]1959Q1 0.00
1959Q2 2.34
1959Q3 2.74
1959Q4 0.27
1960Q1 2.31
Freq: Q-DEC, Name: infl, dtype: float64阅读量：113
点赞量：0
收藏量:0