AI人工智能 Pandas

Pandas：处理、切片和从时间序列数据中提取统计信息

如果您需要处理时间序列数据，Pandas 是一个非常有用的工具。借助 Pandas，您可以执行以下操作：

• 使用pd.date_range包创建日期范围
• 使用pd.Series包为 Pandas 数据添加日期索引
• 使用ts.resample包执行重采样
• 更改频率

示例

以下示例展示了如何使用 Pandas 处理和切片时间序列数据。请注意，这里我们使用的是月度北极涛动数据，您可以从 monthly.ao.index.b50.current.ascii 下载并将其转换为文本格式供我们使用。

处理时间序列数据

要处理时间序列数据，您需要执行以下步骤：

第一步是导入以下包：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

接下来，定义一个函数，它将从输入文件中读取数据，如下面的代码所示：

def read_data(input_file):
    input_data = np.loadtxt(input_file, delimiter=None)

现在，将此数据转换为时间序列。为此，创建我们时间序列的日期范围。在这个示例中，我们将数据的频率设置为一个月。我们的文件包含从 1950 年 1 月开始的数据。

dates = pd.date_range('1950-01', periods=input_data.shape[0], freq='M')

在这一步中，我们借助 Pandas Series 创建时间序列数据，如下所示：

output = pd.Series(input_data[:, index], index=dates)
return output


if __name__ == '__main__':

输入输入文件的路径，如下所示：

input_file = "/Users/admin/AO.txt"

现在，将列转换为时间序列格式，如下所示：

timeseries = read_data(input_file)

最后，使用以下命令绘制并可视化数据：

plt.figure()
timeseries.plot()
plt.show()

您将观察到如下所示的图表：

切片时间序列数据

切片是指仅检索时间序列数据的一部分。作为示例的一部分，我们仅对 1980 年至 1990 年的数据进行切片。观察以下执行此任务的代码：

timeseries['1980':'1990'].plot()
<matplotlib.axes._subplots.AxesSubplot at 0xa0e4b00>
plt.show()

当您运行切片时间序列数据的代码时，您可以观察到如下所示的图表：