Pandas数据处理——玩转时间序列数据

易执

进行金融数据分析或量化研究时，总避免不了时间序列数据的处理， 时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列。常见的时间序列数据有一天内随着时间变化的温度序列 ，又或者交易时间内不断波动的 股票价格序列 。Pandas也因其强大的时序处理能力而被广泛应用于金融数据分析，这篇文章为大家介绍一下Pandas中的时间序列处理，所使用的数据是上证指数2019年的行情数据。

时间相关的数据类型

Pandas时序处理中最常见的两种数据类型为 datetime 和 timedelta 。一个 datetime 可以如下图所示：

datetime 顾名思义就是既有日期 date 也有时间 time ，表示一个具体的时间点（时间戳）。 timedelta 则表示两个时间点之间的差，比如 2020-01-01 和 2020-01-02 之间的 timedelta 即为一天，相信并不难理解。

将时间列转换为时间格式

大多数时候，我们是从 csv 文件中导入数据，此时 Dataframe 中对应的时间列是 字符串 的形式，如下：

In [5]: data.trade_date.head()
Out[5]:
0    20190102
1    20190103
2    20190104
3    20190107
4    20190108
Name: trade_date, dtype: object

运用 pd.to_datetime() ，可以将对应的列转换为Pandas中的 datetime64 类型，便于后期的处理

In [11]: data["trade_date"] = pd.to_datetime(data.trade_date)
In [12]: data.trade_date.head()
Out[12]:
0   2019-01-02
1   2019-01-03
2   2019-01-04
3   2019-01-07
4   2019-01-08
Name: trade_date, dtype: datetime64[ns]

时间序列的索引

时间序列中索引和Pandas普通的索引类似，大多时候调用 .loc[index,columns] 进行相应的索引，直接上代码看看

In [20]: data1 = data.set_index("trade_date")
# 2019年6月的数据
In [21]: data1.loc["2019-06"].head()
Out[21]:
                close       open       high        low
trade_date
2019-06-03  2890.0809  2901.7424  2920.8292  2875.9019
2019-06-04  2862.2803  2887.6405  2888.3861  2851.9728
2019-06-05  2861.4181  2882.9369  2888.7676  2858.5719
2019-06-06  2827.7978  2862.3327  2862.3327  2822.1853
2019-06-10  2852.1302  2833.0145  2861.1310  2824.3554
# 2019年6月-2019年8月的数据
In [22]: data1.loc["2019-06":"2019-08"].tail()
Out[22]:
                close       open       high        low
trade_date
2019-08-26  2863.5673  2851.0158  2870.4939  2849.2381
2019-08-27  2902.1932  2879.5154  2919.6444  2879.4060
2019-08-28  2893.7564  2901.6267  2905.4354  2887.0115
2019-08-29  2890.9192  2895.9991  2898.6046  2878.5878
2019-08-30  2886.2365  2907.3825  2914.5767  2874.1028

提取出时间/日期的属性

在时序数据处理过程中，经常需要实现下述需求：

求某个日期对应的星期数（2019-06-05是第几周）
判断一个日期是周几（2020-01-01是周几）
判断某一日期是第几季度（2019-07-08属于哪个季度）

……

当数据中的时间列（本数据中为 trade_date 列）已经转换为 datetime64 格式时，仅需调用 .dt 接口，即可快速求得想要的结果，下表中列出了 .dt 接口所提供的常见属性：

具体演示一下（下面仅显示2019-01-02的信息）：

# 一年中的第几天
In [13]: data.trade_date.dt.dayofweek[0]
Out[13]: 2
# 返回对应日期
In [14]: data.trade_date.dt.date[0]
Out[14]: datetime.date(2019, 1, 2)
# 返回周数
In [15]: data.trade_date.dt.weekofyear[0]
Out[15]: 1
# 返回周几
In [16]: data.trade_date.dt.weekday_name[0]
Out[16]: 'Wednesday'

resample

resample 翻译过来是重采样的意思，官方文档中是这么描述 resample 的

resample() is a time-based groupby

翻译过来就是 基于时间 的 groupby 操作，我个人认为这是Pandas时间序列处理中最重要的功能，也是本文的重中之重。

根据采样是 从低频到高频 还是 从高频到低频 可以分为 升采样 和 降采样 两种方式，先来看看降采样是啥

降采样

以一个实例来引入，我们使用的数据是上证指数2019年的 日级别 数据，如果现在想求 每季度的 平均收盘价，应该怎么操作呢？

从日级别数据求季度级别数据，是从 高频到低频 的聚合操作，其实就类似于 groupby 按季度进行操作，用 resample 来写是这样子

In [32]: data.resample('Q',on='trade_date')["close"].mean()
Out[32]:
trade_date
2019-03-31    2792.941622
2019-06-30    3010.354672
2019-09-30    2923.136748
2019-12-31    2946.752270
Freq: Q-DEC, Name: close, dtype: float64

其中 'Q' 是以季度为频率进行采样， on 指定 datetime列 （如果索引为 Datetimeindex ，则 on 不需要指定，默认依据索引进行降采样）。整个过程图解如下：

整个过程其实就是一个 groupby 过程：

对原有的数据按照指定的频率进行切分，分到不同的 group 中
对不同的 group 执行操作
整合操作结果

其中，切分的频率可以为任何时间频率，可以为季度 Q 、月度 M 、星期 W 、N天 ND ，也可以为时 H 、分 T ，当然，如果切分后的频率小于原有的时间频率，就是我们下面要讲的升采样。

升采样

当采样的频率低于原有的频率时，即为升采样。升采样是对原有的时间粒度更为细粒度的划分，所以升采样时会产生 缺失值 。下面取 2019-01-02 至 2019-01-03 的数据按照 6H 的频率演示一下：

In [24]: example
Out[24]:
                close
trade_date
2019-01-02  2465.2910
2019-01-03  2464.3628
In [25]: example.resample('6H').asfreq()
Out[25]:
                         close
trade_date
2019-01-02 00:00:00  2465.2910
2019-01-02 06:00:00        NaN
2019-01-02 12:00:00        NaN
2019-01-02 18:00:00        NaN
2019-01-03 00:00:00  2464.3628

对 resample 后的结果应用 .asfreq() 会返回新频率下的结果。可以看到升采样后产生了缺失值。如果想要填充缺失值可以采用向后填充 .bfill() 或向前填充 .ffill() 的方式：

# 向前填充，缺失值取2465.2910进行填充
In [29]: example.resample('6H').ffill()
Out[29]:
                         close
trade_date
2019-01-02 00:00:00  2465.2910
2019-01-02 06:00:00  2465.2910
2019-01-02 12:00:00  2465.2910
2019-01-02 18:00:00  2465.2910
2019-01-03 00:00:00  2464.3628
# 向后填充，缺失值取2464.3628进行填充
In [30]: example.resample('6H').bfill()
Out[30]:
                         close