Python 数据分析三剑客之 Pandas（九）：时间序列
内容提要
本文介绍了Pandas库中的时间序列处理，包括时间戳、固定周期和时间间隔的定义与使用。Pandas提供了Timestamp、Period和Timedelta类型，支持时间数据的索引、切片、移动、重采样及频率转换等操作。通过示例展示了如何生成日期范围、处理时区，以及进行数据的重采样和频率转换，适用于金融和经济等领域的数据分析。
延伸解读
三种时间类型：如何选择与转换
Pandas 用 Timestamp、Period 和 Timedelta 分别表示时间点、固定周期和持续时间。Timestamp 适合记录具体时刻，如交易时间；Period 适合表示区间，如月度汇总；Timedelta 适合计算时间差。它们之间可以转换：to_period 将 Timestamp 转为 Period，to_timestamp 则相反。理解这些类型的区别，能避免在索引和计算时混淆。
重采样中的 closed 与 label 参数
重采样时，closed 决定区间的闭合端，label 决定聚合结果的标签。例如，将分钟数据降采样到3分钟，默认 closed='left'、label='left'，区间为左闭右开，标签为左端点。若设置 closed='right'，则区间变为左开右闭，可能改变聚合结果。正确设置这两个参数，能确保时间区间划分符合业务定义，避免数据归属错误。
时区处理：本地化与转换的区别
时区处理涉及 tz_localize 和 tz_convert 两个方法。tz_localize 为无时区的时间序列赋予时区，表示这些时间原本就属于该时区；tz_convert 则将已有时区的时间序列转换到另一时区，时间点不变但显示改变。例如，将 UTC 时间转换为上海时间，小时数会增加8小时。混淆两者会导致时间含义错误，需根据数据来源选择正确方法。
频率字符串与偏移量的灵活使用
Pandas 支持丰富的频率字符串，如 'D' 表示日、'M' 表示月末、'W-MON' 表示每周一。还可以组合使用，如 '1h30min' 表示90分钟。这些字符串可高效解析为偏移量对象，用于 date_range 生成日期范围，或用于 shift 移动数据。掌握常用频率别名，能简化时间序列的生成和调整操作。
Q&A
Pandas中的时间序列处理包括哪些主要功能？
Pandas支持时间数据的索引、切片、移动、重采样及频率转换等功能。
如何在Pandas中生成指定频率的日期范围？
可以使用date_range方法生成指定频率的日期范围。
Pandas中如何处理时区？
时区处理通过pytz库实现，可以将时间序列本地化到特定时区并进行转换。
Pandas中的Timestamp、Period和Timedelta分别用于什么？
Timestamp用于表示具体时间点，Period表示时间周期，Timedelta表示时间差。
如何在Pandas中进行时间序列的重采样？
可以使用resample方法将时间序列从一个频率转换到另一个频率，支持降采样和升采样。
Pandas中的to_datetime方法有什么用？
to_datetime方法可以将字符串解析为Timestamp对象。
