日期功能扩展了时间序列，在财务数据分析中起主要作用。在处理日期数据的同时，我们经常会遇到以下情况 -
- 生成日期序列
- 将日期序列转换为不同的频率
创建一个日期范围
通过指定周期和频率，使用date.range()函数就可以创建日期序列。默认情况下，范围的频率是天。参考以下示例代码 -
import pandas as pd
datelist = pd.date_range('2020/11/21', periods=5)
print(datelist)
执行上面示例代码，得到以下结果 -
DatetimeIndex(['2020-11-21', '2020-11-22', '2020-11-23', '2020-11-24',
'2020-11-25'],
dtype='datetime64[ns]', freq='D')
更改日期频率
import pandas as pd
datelist = pd.date_range('2020/11/21', periods=5,freq='M')
print(datelist)
执行上面示例代码，得到以下结果 -
DatetimeIndex(['2020-11-30', '2020-12-31', '2021-01-31', '2021-02-28',
'2021-03-31'],
dtype='datetime64[ns]', freq='M')
bdate_range()函数
bdate_range()用来表示商业日期范围，不同于date_range()，它不包括星期六和星期天。
import pandas as pd
datelist = pd.date_range('2011/11/03', periods=5)
print(datelist)
执行上面示例代码，得到以下结果 -
DatetimeIndex(['2017-11-03', '2017-11-06', '2017-11-07', '2017-11-08',
'2017-11-09'],
dtype='datetime64[ns]', freq='B')
观察到11月3日以后，日期跳至11月6日，不包括4日和5日(因为它们是周六和周日)。
像date_range和bdate_range这样的便利函数利用了各种频率别名。date_range的默认频率是日历中的自然日，而bdate_range的默认频率是工作日。参考以下示例代码 -
import pandas as pd
start = pd.datetime(2017, 11, 1)
end = pd.datetime(2017, 11, 5)
dates = pd.date_range(start, end)
print(dates)
执行上面示例代码，得到以下结果 -
DatetimeIndex(['2017-11-01', '2017-11-02', '2017-11-03', '2017-11-04',
'2017-11-05'],
dtype='datetime64[ns]', freq='D')
偏移别名
大量的字符串别名被赋予常用的时间序列频率。我们把这些别名称为偏移别名。
| 别名 | 描述说明 |
|---|---|
B |
工作日频率 |
BQS |
商务季度开始频率 |
D |
日历/自然日频率 |
A |
年度(年)结束频率 |
W |
每周频率 |
BA |
商务年底结束 |
M |
月结束频率 |
BAS |
商务年度开始频率 |
SM |
半月结束频率 |
BH |
商务时间频率 |
SM |
半月结束频率 |
BH |
商务时间频率 |
BM |
商务月结束频率 |
H |
小时频率 |
MS |
月起始频率 |
T, min |
分钟的频率 |
SMS |
SMS 半开始频率 |
S |
秒频率 |
BMS |
商务月开始频率 |
L, ms |
毫秒 |
Q |
季度结束频率 |
U, us |
微秒 |
BQ |
商务季度结束频率 |
N |
纳秒 |
BQ |
商务季度结束频率 |
QS |
季度开始频率 |