pandas数据日期函数之date_range()、resample()与to_period()

1、date_range()

生成日期序列
pandas.date_range(start=None, end=None, periods=None, freq=None, closed=None) 
常见参数：
		start：开始日期
		end：结束日期
		periods：日期数量。 若同时指定start,end,periods,则会生成指定数量的时间间隔相同的日期
		closed：指定区间的开闭，默认是None，包含start和end  (left,right)
		freq：日期的频率，默认是\'D\'即天,常见还有M(月、显示xxxx-xx-31每月的最后一天) 如下图 
		     还可以数字与其组合，如5D就是时间间隔为5天

import pandas as pd
# 1、period指定日期数量，日期间隔相同 如结果有6个日期,且间隔为12日
pd.date_range(start=\'2022-04-01\',end=\'2022-05-31\',periods=6)
输出：
DatetimeIndex([\'2022-04-01\', \'2022-04-13\', \'2022-04-25\', \'2022-05-07\',
               \'2022-05-19\', \'2022-05-31\'],
              dtype=\'datetime64[ns]\', freq=None)

# 2、freq类似指定日期格式：freq=\'D\'表示日期格式为xxxx-xx-xx 具体到日
pd.date_range(start=\'2022-04-01\',end=\'2022-04-11\',freq=\'D\')
输出：
DatetimeIndex([\'2022-04-01\', \'2022-04-02\', \'2022-04-03\', \'2022-04-04\',
               \'2022-04-05\', \'2022-04-06\', \'2022-04-07\', \'2022-04-08\',
               \'2022-04-09\', \'2022-04-10\', \'2022-04-11\'],
              dtype=\'datetime64[ns]\', freq=\'D\')
              
# 3、freq还可以赋值数字+字母：表示间隔为几个单位，如freq=\'2D\' 表示间隔2日
pd.date_range(start=\'2022-04-01\',end=\'2022-04-11\',freq=\'2D\')
输出：
DatetimeIndex([\'2022-04-01\', \'2022-04-03\', \'2022-04-05\', \'2022-04-07\',
               \'2022-04-09\', \'2022-04-11\'],
              dtype=\'datetime64[ns]\', freq=\'2D\')

# 4、closed表示日期是否包含左右边界日期;如下语句,包含右边日期,但不包含左边日期,结果显示也没有2022-04-01的
pd.date_range(start=\'2022-04-01\',end=\'2022-04-11\',freq=\'2D\',closed=\'right\')
输出：
DatetimeIndex([\'2022-04-03\', \'2022-04-05\', \'2022-04-07\', \'2022-04-09\',
               \'2022-04-11\'],
              dtype=\'datetime64[ns]\', freq=\'2D\')

# 5、freq=\'M\' 表示以月为最小单位 显示的是每月最后一天
pd.date_range(start=\'2022-04-01\',end=\'2022-05-31\',freq=\'M\')
输出：
DatetimeIndex([\'2022-04-30\', \'2022-05-31\'], dtype=\'datetime64[ns]\', freq=\'M\')

# 5.2、如果不想要最后的日,可以利用to_period(\'M\')将其不显示
pd.date_range(start=\'2022-04-01\',end=\'2022-05-31\',freq=\'M\').to_period(\'M\')
输出：
PeriodIndex([\'2022-04\', \'2022-05\'], dtype=\'period[M]\', freq=\'M\')

# 6、freq=\'QS\' 季度的第一天
pd.date_range(start=\'2022-01-01\',end=\'2022-12-31\',freq=\'QS\')
输出：
DatetimeIndex([\'2022-01-01\', \'2022-04-01\', \'2022-07-01\', \'2022-10-01\'], dtype=\'datetime64[ns]\', freq=\'QS-JAN\')

# 9、freq=\'H\' 时  start=\'2022-04-01\',end=\'2022-04-02\' 表示的只是1号的24小时
pd.date_range(start=\'2022-04-01\',end=\'2022-04-02\',freq=\'6H\')  
输出:
DatetimeIndex([\'2022-04-01 00:00:00\', \'2022-04-01 06:00:00\',
               \'2022-04-01 12:00:00\', \'2022-04-01 18:00:00\',
               \'2022-04-02 00:00:00\'],
              dtype=\'datetime64[ns]\', freq=\'6H\')
              
pd.date_range(start=\'2022-04-01\',end=\'2022-04-02\',freq=\'6H\',closed=\'right\')
输出： 左开右闭 指的是不包含2022-04-01 00:00:00 包含2022-04-02 00:00:00
DatetimeIndex([\'2022-04-01 06:00:00\', \'2022-04-01 12:00:00\',
               \'2022-04-01 18:00:00\', \'2022-04-02 00:00:00\'],
              dtype=\'datetime64[ns]\', freq=\'6H\')

2、resample()

重新采样，是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。
用这个方法之前需将日期作为索引并转化为日期型索引

DataFrame.resample(rule,label=None).sum()等函数 两个指标足以 
rule : 重构规则(\'M\'、\'2D\'等上图所示)
label：指定，我们使用哪一个作为新的label 区间的左还是右 默认左

np.random.seed(20)  #保证每次生成的随机数都一样
dt = pd.date_range(start=\'2022-01-01\',end=\'2022-04-30\',freq=\'D\')
num = np.random.randint(100,200,120)
df = pd.DataFrame(num,index=dt,columns=[\'num\'])
df.index  # 看看索引类型 DatetimeIndex 日期型索引
DatetimeIndex([\'2022-01-01\', \'2022-01-02\', \'2022-01-03\', \'2022-01-04\',
               \'2022-01-05\', \'2022-01-06\', \'2022-01-07\', \'2022-01-08\',
               \'2022-01-09\', \'2022-01-10\',
               ...
               \'2022-04-21\', \'2022-04-22\', \'2022-04-23\', \'2022-04-24\',
               \'2022-04-25\', \'2022-04-26\', \'2022-04-27\', \'2022-04-28\',
               \'2022-04-29\', \'2022-04-30\'],
              dtype=\'datetime64[ns]\', length=120, freq=\'D\')

# 将日期索引重新采样为 每月的第一天为一组 进行求和
df.resample(\'MS\').sum()
	         num
2022-01-01	4647
2022-02-01	4181
2022-03-01	4505
2022-04-01	4489

# 不显示日期后的日
df.resample(\'M\').sum().to_period(\'M\')
	     num
2022-01	4647
2022-02	4181
2022-03	4505
2022-04	4489

# 按季度分组求和
df.resample(\'Q\').sum()
	         num
2022-03-31	13333
2022-06-30	4489

# .to_period(\'Q\') 按季度显示 格式xxxxQn  xxxx年Qn季度
df.resample(\'Q\').sum().to_period(\'Q\')
	     num
2022Q1	13333
2022Q2	4489

3、to_period()

to_period(\'\')描述的是该日期处于那个时期
例如to_period(\'M\') 将日期以月为单位即 xxxx-xx  某天处于某个月分

# 生成日期
dt = pd.date_range(start=\'2021-04-01\',end=\'2023-04-30\',freq=\'100D\')
DatetimeIndex([\'2021-04-01\', \'2021-07-10\', \'2021-10-18\', \'2022-01-26\',
               \'2022-05-06\', \'2022-08-14\', \'2022-11-22\', \'2023-03-02\'],
              dtype=\'datetime64[ns]\', freq=\'100D\')
# 处于某年               
dt.to_period(\'Y\')
PeriodIndex([\'2021\', \'2021\', \'2021\', \'2022\', \'2022\', \'2022\', \'2022\', \'2023\'], dtype=\'period[A-DEC]\', freq=\'A-DEC\')
# 处于某月
dt.to_period(\'M\')
PeriodIndex([\'2021-04\', \'2021-07\', \'2021-10\', \'2022-01\', \'2022-05\', \'2022-08\',
             \'2022-11\', \'2023-03\'],
            dtype=\'period[M]\', freq=\'M\')
# 处于某个季度
dt.to_period(\'Q\')
PeriodIndex([\'2021Q2\', \'2021Q3\', \'2021Q4\', \'2022Q1\', \'2022Q2\', \'2022Q3\',
             \'2022Q4\', \'2023Q1\'],
            dtype=\'period[Q-DEC]\', freq=\'Q-DEC\')