Advertisement

c语言 北京时间转换utc时间_时间序列 | 重采样及频率转换

阅读量：
330bc9b00ecda19399db0910e9ae5b80.png

重采样及频率转换

  • 重采样(resampling)指的是将时间序列从一个频率转换到另一个频率的处理过程。是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。
  • 将高频率数据聚合到低频率称为降采样(downsampling)
  • 而将低频率数据转换到高频率则称为升采样(upsampling)

主要参数说明。

rule :DateOffset, Timedelta or str

表示重采样频率，例如‘M’、‘5min’，Second(15)

how :str

用于产生聚合值的函数名或数组函数，例如'mean'、'ohlc'、'np.max'等，默认是'mean'，其他常用的值由：'first'、'last'、'median'、'max'、'min'

axis :{0 or 'index', 1 or 'columns'}, default 0

默认是纵轴，横轴设置axis=1

fill_method :str, default None

升采样时如何插值，比如ffill、bfill等

closed :{'right', 'left'}, default None

在降采样时，各时间段的哪一段是闭合的，'right'或'left'，默认'right'

label :{'right', 'left'}, default None

在降采样时，如何设置聚合值的标签，例如，9：30-9：35会被标记成9：30还是9：35,默认9：35

convention :{'start', 'end', 's', 'e'}, default 'start'

当重采样时期时，将低频率转换到高频率所采用的约定('start'或'end')。默认'end'

kind :{'timestamp', 'period'}, optional, default None

聚合到时期('period')或时间戳('timestamp')，默认聚合到时间序列的索引类型

loffset :timedelta, default None

面元标签的时间校正值，比如'-1s'或Second(-1)用于将聚合标签调早1秒

limit :int, default None

在向前或向后填充时，允许填充的最大时期数

复制代码 
    >>> rng = pd.date_range('2000-01-01', periods=100, freq='D')>>> ts = pd.Series(np.random.randn(len(rng)), index=rng)>>> ts2000-01-01   -0.1844152000-01-02   -0.0780492000-01-03    1.5501582000-01-04    0.2064982000-01-05    0.184059                ...   2000-04-05   -0.5742072000-04-06   -1.7195872000-04-07    0.1406732000-04-08   -1.2341462000-04-09   -0.835341Freq: D, Length: 100, dtype: float64

pandas对象都带有一个resample方法，它是各种频率转换工作的主力函数。

resample有一个类似于groupby的API，调用resample可以分组数据，然后会调用一个聚合函数：

复制代码 
    >>> ts.resample('M').mean()2000-01-31    0.0534762000-02-29   -0.2507082000-03-31   -0.0540462000-04-30   -0.479965Freq: M, dtype: float64    >>> ts.resample('M', kind='period').mean()2000-01    0.0534762000-02   -0.2507082000-03   -0.0540462000-04   -0.479965Freq: M, dtype: float64
330bc9b00ecda19399db0910e9ae5b80.png

降采样

在用resample对数据进行降采样时，需要考虑两样东西：

  • 各区间哪边是闭合的。
  • 如何标记各个聚合面元，用区间的开头还是末尾。
    7e5613035aec3cd2d1cab442f4e9c440.png
复制代码 
    # 首先创造一个9:00到9:05分到时期区间>>> rng = pd.date_range('2020-01-01 9:00:00', periods=6, freq='T')>>> ts = pd.Series(np.arange(6), index=rng)>>> ts2020-01-01 09:00:00    02020-01-01 09:01:00    12020-01-01 09:02:00    22020-01-01 09:03:00    32020-01-01 09:04:00    42020-01-01 09:05:00    5Freq: T, dtype: int64
复制代码 
    # 通过时间重采用五分钟聚合>>> ts.resample('5min').sum()>>> ts.resample('5min', closed = 'left').sum()>>> ts.resample('5min', closed = 'left',label = 'left').sum()  # 默认2020-01-01 09:00:00    102020-01-01 09:05:00     5Freq: 5T, dtype: int64# closed='right', label='left' 右闭合。但标签需要取最左边即09:00:00>>> ts.resample('5min', closed = 'right').sum()>>> ts.resample('5min', closed = 'right', label = 'left').sum()2020-01-01 08:55:00     02020-01-01 09:00:00    15Freq: 5T, dtype: int64>>> ts.resample('5min', closed = 'right', label = 'right').sum()2020-01-01 09:00:00     02020-01-01 09:05:00    15Freq: 5T, dtype: int64>>> ts.resample('5min', closed = 'left',label = 'right').sum()2020-01-01 09:05:00    102020-01-01 09:10:00     5Freq: 5T, dtype: int64

比如从右边界减去一秒以便更容易明白该时间戳到底表示的是哪个区间。只需通过loffset设置一个字符串或日期偏移量即可实现这个目的。

复制代码 
    >>> ts.resample('5min', closed = 'right', label = 'right').sum()2020-01-01 09:00:00     02020-01-01 09:05:00    15Freq: 5T, dtype: int64>>> ts.resample('5min', closed='right',label='right', loffset='1s').sum()2020-01-01 09:00:01     02020-01-01 09:05:01    15dtype: int64>>> ts.resample('5min', closed='left',label='right', loffset='-1s').sum()2020-01-01 09:04:59    102020-01-01 09:09:59     5dtype: int64>>> ts2020-01-01 09:00:00    02020-01-01 09:01:00    12020-01-01 09:02:00    22020-01-01 09:03:00    32020-01-01 09:04:00    42020-01-01 09:05:00    5Freq: T, dtype: int64
330bc9b00ecda19399db0910e9ae5b80.png

OHLC重采样

open high low close

复制代码 
    # ts.resample('5min',how = 'ohlc')ts.resample('5min').ohlc()
open high low close
2020-01-01 09:00:00 0 4 0 4
2020-01-01 09:05:00 5 5 5 5
330bc9b00ecda19399db0910e9ae5b80.png

升采样和插值

时间戳 重采样

In

复制代码 
    frame = pd.DataFrame(np.random.randn(2, 4),                     index=pd.date_range('1/1/2000', periods=2, freq='W-WED'),                     columns=['Colorado', 'Texas', 'New York', 'Ohio'])frame

Out

Colorado Texas New York Ohio
2000-01-05 0.899396 0.300839 -0.108393 -1.199599
2000-01-12 -0.809829 0.127997 -0.535350 0.230481

In

复制代码 
    df_daily = frame.asfreq('D')  # asfreq方法转换成高频，不经过聚df_daily

Out

Colorado Texas New York Ohio
2000-01-05 0.899396 0.300839 -0.108393 -1.199599
2000-01-06 NaN NaN NaN NaN
2000-01-07 NaN NaN NaN NaN
2000-01-08 NaN NaN NaN NaN
2000-01-09 NaN NaN NaN NaN
2000-01-10 NaN NaN NaN NaN
2000-01-11 NaN NaN NaN NaN
2000-01-12 -0.809829 0.127997 -0.535350 0.230481

In

复制代码 
    df_daily = frame.resample('D').asfreq()  # asfreq方法转换成高频，不经过聚df_daily

Out

Colorado Texas New York Ohio
2000-01-05 0.899396 0.300839 -0.108393 -1.199599
2000-01-06 NaN NaN NaN NaN
2000-01-07 NaN NaN NaN NaN
2000-01-08 NaN NaN NaN NaN
2000-01-09 NaN NaN NaN NaN
2000-01-10 NaN NaN NaN NaN
2000-01-11 NaN NaN NaN NaN
2000-01-12 -0.809829 0.127997 -0.535350 0.230481

resampling的填充和插值方式跟fillna和reindex的一样

In

复制代码 
    frame.resample('D').ffill()

Out

Colorado Texas New York Ohio
2000-01-05 0.899396 0.300839 -0.108393 -1.199599
2000-01-06 0.899396 0.300839 -0.108393 -1.199599
2000-01-07 0.899396 0.300839 -0.108393 -1.199599
2000-01-08 0.899396 0.300839 -0.108393 -1.199599
2000-01-09 0.899396 0.300839 -0.108393 -1.199599
2000-01-10 0.899396 0.300839 -0.108393 -1.199599
2000-01-11 0.899396 0.300839 -0.108393 -1.199599
2000-01-12 -0.809829 0.127997 -0.535350 0.230481

In

复制代码 
    frame.resample('D').ffill(limit = 2) # 可以只填充指定的时期数(目的是限制前面的观测值的持续使用距离)：

Out

Colorado Texas New York Ohio
2000-01-05 0.899396 0.300839 -0.108393 -1.199599
2000-01-06 0.899396 0.300839 -0.108393 -1.199599
2000-01-07 0.899396 0.300839 -0.108393 -1.199599
2000-01-08 NaN NaN NaN NaN
2000-01-09 NaN NaN NaN NaN
2000-01-10 NaN NaN NaN NaN
2000-01-11 NaN NaN NaN NaN
2000-01-12 -0.809829 0.127997 -0.535350 0.230481

时期 重采样

由于时期指的是时间区间，所以升采样和降采样的规则就比较严格:

  • 在降采样中，目标频率必须是源频率的子时期(subperiod)。
  • 在升采样中，目标频率必须是源频率的超时期(superperiod)。

In

复制代码 
    frame = pd.DataFrame(np.random.randn(24, 4),                     index=pd.period_range('1-2000', '12-2001',                                           freq='M'),                     columns=['Colorado', 'Texas', 'New York', 'Ohio'])frame.head()

Out

Colorado Texas New York Ohio
2000-01 -0.913994 0.735676 -1.497775 1.959656
2000-02 0.128110 -0.029472 0.146246 0.686848
2000-03 2.293743 2.841931 0.260844 -0.177066
2000-04 -0.878366 0.715225 0.791772 0.775475
2000-05 -0.234892 1.247728 -0.611274 0.778219

降采样

In

复制代码 
    annual_frame = frame.resample('A-DEC').mean()annual_frame

Out

Colorado Texas New York Ohio
2000 0.035481 0.434428 -0.152062 0.246267
2001 0.204250 -0.264691 -0.074159 0.182459

升采样

升采样要稍微麻烦一些，因为你必须决定在新频率中各区间的哪端用于放置原来的值，就像asfreq方法那样。convention参数默认为'start'，也可设置为'end'

In

复制代码 
    q_frame = annual_frame.resample('Q-DEC').ffill()q_frame

Out

Colorado Texas New York Ohio
2000Q1 0.035481 0.434428 -0.152062 0.246267
2000Q2 0.035481 0.434428 -0.152062 0.246267
2000Q3 0.035481 0.434428 -0.152062 0.246267
2000Q4 0.035481 0.434428 -0.152062 0.246267
2001Q1 0.204250 -0.264691 -0.074159 0.182459
2001Q2 0.204250 -0.264691 -0.074159 0.182459
2001Q3 0.204250 -0.264691 -0.074159 0.182459
2001Q4 0.204250 -0.264691 -0.074159 0.182459

In

复制代码 
    annual_frameq_frame = annual_frame.resample('Q-DEC', convention = 'end').ffill()q_frame

Out1

Colorado Texas New York Ohio
2000 0.035481 0.434428 -0.152062 0.246267
2001 0.204250 -0.264691 -0.074159 0.182459

Out2

Colorado Texas New York Ohio
2000Q4 0.035481 0.434428 -0.152062 0.246267
2001Q1 0.035481 0.434428 -0.152062 0.246267
2001Q2 0.035481 0.434428 -0.152062 0.246267
2001Q3 0.035481 0.434428 -0.152062 0.246267
2001Q4 0.204250 -0.264691 -0.074159 0.182459

推荐阅读
a889e43c47b785ed2b8dd97c85a9f1da.png

-- 数据STUDIO --
e41fb4b238571dc0039ec468a873c375.gif

全部评论 (0)

还没有任何评论哟~

相关文章推荐

c语言 北京时间转换utc时间_时间序列 | 重采样及频率转换

重采样及频率转换 重采样resampling指的是将时间序列从一个频率转换到另一个频率的处理过程。是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。

c语言 北京时间转换utc时间_UTC时间与北京时间相互转换

第一种方法 时间戳是指格林威治时间1970年01月01日00时00分00秒北京时间1970年01月01日08时00分00秒起至现在的总秒数。 publicclassHomeController:Con...

【C语言】UTC时间转换为北京时间

最近使用GPS模块获取解析GPRMC数据的时候，获取到的是UTC时间，需要转换为北京时间，网上看了一些文章，发现存在一些问题，于是自己完善了一下，并做了注释，方便理解。

c语言utc时间转换北京时间_STM32开发 -- UTC、UNIX时间戳、北京时间之间的转换

暂无描述

c语言 北京时间转换utc时间_UTC时间转换成北京时间C语言函数代码

UTC+时区差＝本地时间 时区差东为正，西为负。在此，把东八区时区差记为+0800， UTC+＋0800=本地北京时间1 那么，UTC=本地时间北京时间08002 09420800=0142 即UTC...

c语言 北京时间转换utc时间_c语言实战 BJT时间转化位UTC时间

题目是这样的： 题目内容： UTC是世界协调时，BJT是北京时间，UTC时间相当于BJT减去8。现在，你的程序要读入一个整数，表示BJT的时和分。整数的个位和十位表示分，百位和千位表示小时。如果小时小...

c语言 北京时间转换utc时间_分享GPS获得的UTC时间转换为北京时间，还有星期转换函数...

深夜不眠，和大家分享自己刚写出来的GPS获得的UTC时间转换为北京时间，还有星期转换函数，在0.96寸oled显示 //月修正数据表 unsignedcharconsttableweek[12]=0,...

c语言utc时间转换北京时间_C/C++标准库之转换UTC时间到local本地时间详解

前言 UTC时间DateTime.UtcNow和系统本地时间DateTime.Now相差8个时区，美国本地时间和北京时间相差15个时区：美国，而一般使用UTC时间方便统一各地区时间差异。

c语言 北京时间转换utc时间_AB PLC | 将故障时间戳转换为日期时间

前言：在发表了《如何避免CPU在发生故障时停机》之后，有朋友在后台留言：如何获取并显示发生故障的时间？在那篇文章中，只提及到了存储故障时间戳是由2个DINT数据组成，无法直观的显示为yyyymmddh...

utc时间格式转换成北京时间

sUTC就是世界标准时间，与北京时间相差八个时区。所以只要将UTC时间转化成一定格式的时间，再在此基础上加上8个小时就得到北京时间了。 首先UTC时间格式先转换成（时间FriNov27202010:5...