Time series数据被定义为重要的信息来源,该信息提供了可用于各种业务的策略。
Time series预测是一种处理Time series数据的机器学习模型,用于通过Time series建模预测未来值。
Pandas具有与所有域的Time series数据一起使用的广泛函数。通过使用NumPy datetime64 和 timedelta64 dtypes。 Pandas整合了与其他Python库(如 scikits.timeseries )不同的函数,并创建了大量用于处理Time series数据的新函数。
开始之前,您必须导入一些使用 numpy,pandas,matplotlib,和 seaborn 的软件包。
您可以通过在代码中添加%matplotlib inline 来附加要在Jupyter Notebook中绘制的图像,也可以使用 sns.set()切换到Seaborn默认设置:
# import packages import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline sns.set()
Pandas提供了日期,时间,增量和时间跨度的函数。它主要用于数据科学应用。
datetime 模块中有两个可用的本地日期和时间。通过使用 dateutil 函数,无涯教程还可以在日期和时间上执行许多有用的函数。您还可以使用多种字符串格式解析日期:
import pandas as pd # Create the dates with frequency info = pd.date_range('5/4/2013', periods = 8, freq ='S') info
输出:
DatetimeIndex(['2013-05-04 00:00:00', '2013-05-04 00:00:01', '2013-05-04 00:00:02', '2013-05-04 00:00:03', '2013-05-04 00:00:04', '2013-05-04 00:00:05', '2013-05-04 00:00:06', '2013-05-04 00:00:07'], dtype='datetime64[ns]', freq='S')
import pandas as pd # 创建时间戳 p = pd.Timestamp('2018-12-12 06:25:18') # 创建 DateOffset do = pd.tseries.offsets.DateOffset(n = 2) # 打印时间戳 print(p) # 打印 DateOffset print(do)
输出:
2018-12-12 06:25:18
祝学习愉快!(内容编辑有误?请选中要编辑内容 -> 右键 -> 修改 -> 提交!)