时间序列的频率、偏移量

通常，默认生成的时间序列数据是按天计算的，即频率为“D”。“D”是一个基础频率，通过用一个字符串的别名表示，比如“D”是“day”的别名。Pandas中的频率是由一个基础频率和一个乘数组成的，比如，“5D”表示每5天。

接下来，通过一张表来列举时间序列的基础频率，如表1所示。

表1 时间序列的基础频率

为了更好地理解，接下来，通过一个示例来演示如何设置DatetimeIndex对象的频率，示例代码如下。

In [24]: pd.date_range(start='2018/2/1', end='2018/2/28', freq='5D')
Out[24]: 
DatetimeIndex(['2018-02-01', '2018-02-06', '2018-02-11', '2018-02-16',
​          '2018-02-21', '2018-02-26'],
​         dtype='datetime64[ns]', freq='5D')

上述示例中，创建了一个固定频率的DatetimeIndex对象，该对象的起始日期为2018-02-01，结束日期为2018-02-06，频率为5D，说明每5天采集一次数据。

从输出结果看出，生成的第一个时间戳为2018-02-01，第二个时间戳为2018-02-06，第三个时间戳为2018-02-11......每个时间戳的间隔都是5天。

除此之外，每个基础频率还可以跟着一个被称为日期偏移量的DateOffset对象。如果想要创建一个DateOffset对象，则需要先导入pd.tseries.offsets模块后才行。比如，创建14天10小时的偏移量，具体代码如下。

In [25]: from pandas.tseries.offsets import *
         DateOffset(months=4, days=5)
Out[25]: <DateOffset: days=5, months=4>

还可以使用offsets模块中提供的偏移量类型进行创建。例如，创建14天10小时的偏移量，可以换算为两周零十个小时，其中“周”使用Week类型表示的，“小时”使用Hour类型表示，它们之间可以使用加号连接，示例代码如下。

In [26]: Week(2) + Hour(10)
Out[26]: Timedelta('14 days 10:00:00')

上述代码创建了一个Timedelta类对象，该对象用来表示持续时间，两个日期或时间之间的差异。

接下来，通过一个示例来演示如何使用日期偏移量创建DatetimeIndex对象，示例代码如下。

In [27]: # 生成日期偏移量
         date_offset  = Week(2) + Hour(10)
         pd.date_range('2018/3/1', '2018/3/31', freq=date_offset)
Out[27]: DatetimeIndex(['2018-03-01 00:00:00', '2018-03-15 10:00:00',
​               '2018-03-29 20:00:00'],
​               dtype='datetime64[ns]', freq='346H')

上述示例中，创建了一个DatetimeIndex对象，它是从2018-03-01 00:00:00开始算起的，到2018-03-31 00:00:00结束，并且每隔14天10小时计算一次

从输出结果可以看出，第一个时间戳为2018-03-01 00:00:00，第二个时间戳为2018-03-15 10:00:00，正好相差了14天10个小时，依此类推。