1 时序中的基本对象
时间序列的概念在日常生活中十分常见，但对于一个具体的时序事件而言，可以从多个时间对象的角度来描 述。例如 2020 年 9 月 7 日周一早上 8 点整需要到教室上课，这个课会在当天早上 10 点结束，其中包含了 哪些时间概念?
• 第一，会出现时间戳(Date times)的概念，即’2020-9-7 08:00:00’和’2020-9-7 10:00:00’这两个时 间点分别代表了上课和下课的时刻，在 pandas 中称为 Timestamp 。同时，一系列的时间戳可以组成 DatetimeIndex ，而将它放到 Series 中后，Series 的类型就变为了 datetime64[ns] ，如果有涉及时区则 为 datetime64[ns, tz] ，其中 tz 是 timezone 的简写。
• 第二，会出现时间差(Time deltas)的概念，即上课需要的时间，两个 Timestamp 做差就得到了时间 差，pandas 中利用 Timedelta 来表示。类似的，一系列的时间差就组成了 TimedeltaIndex ，而将它放 到 Series 中后，Series 的类型就变为了 timedelta64[ns] 。
• 第三，会出现时间段(Time spans)的概念，即在 8 点到 10 点这个区间都会持续地在上课，在 pandas 利用 Period 来表示。类似的，一系列的时间段就组成了 PeriodIndex ，而将它放到 Series 中后，Series 的类型就变为了 Period 。
• 第四，会出现日期偏置(Date offsets)的概念，假设你只知道 9 月的第一个周一早上 8 点要去上课，但 不知道具体的日期，那么就需要一个类型来处理此类需求。再例如，想要知道 2020 年 9 月 7 日后的第 30 个工作日是哪一天，那么时间差就解决不了你的问题，从而 pandas 中的 DateOffset 就出现了。同 时，pandas 中没有为一列时间偏置专门设计存储类型，理由也很简单，因为需求比较奇怪，一般来说 我们只需要对一批时间特征做一个统一的特殊日期偏置。
2 时间戳
2.1 Timestamp 的构造与属性
单个时间戳的生成利用 pd.Timestamp 实现，一般而言的常见日期格式都能被成功地转换
通过 year, month, day, hour, min, second 可以获取具体的数值
在 pandas 中，时间戳的最小精度为纳秒 ns
通过 pd.Timestamp.max 和 pd.Timestamp.min
2.2 Datetime 序列的生成
一组时间戳可以组成时间序列，可以用 to_datetime 和 date_range 来生成。其中，to_datetime 能够把一
列时间戳格式的对象转换成为 datetime64[ns] 类型的时间序列
在极少数情况，时间戳的格式不满足转换时，可以强制使用 format 进行匹配
注意上面由于传入的是列表，而非 pandas 内部的 Series ，因此返回的是 DatetimeIndex ，如果想要转为 datetime64[ns] 的序列，需要显式用 Series 转化
另外，还存在一种把表的多列时间属性拼接转为时间序列的 to_datetime 操作，此时的列名必须和以下给定 的时间关键词列名一致
date_range 是一种生成连续间隔时间的一种方法，其重要的参数为 start, end, freq, periods ，它们分别表示 开始时间，结束时间，时间间隔，时间戳个数。其中，四个中的三个参数决定了，那么剩下的一个就随之确 定了。这里要注意，开始或结束日期如果作为端点则它会被包含
最后，要介绍一种改变序列采样频率的方法 asfreq ，它能够根据给定的 freq 对序列进行类似于 reindex 的操作
2.3 dt 对象
如同 category, string 的序列上定义了 cat, str 来完成分类数据和文本数据的操作，在时序类型的序列上定义 了 dt 对象来完成许多时间序列的相关操作。这里对于 datetime64[ns] 类型而言，可以大致分为三类操作:取 出时间相关的属性、判断时间戳是否满足条件、取整操作。
第一类操作的常用属性包括:date, time, year, month, day, hour, minute, second, microsecond, nanosecond, dayofweek, dayofyear, weekofyear, daysinmonth, quarter ，其中 daysinmonth, quarter 分别表示月中的第几 天和季度
在这些属性中，经常使用的是 dayofweek ，它返回了周中的星期情况，周一为 0、周二为 1，以此类推
此外，可以通过 month_name, day_name 返回英文的月名和星期名，注意它们是方法而不是属性
第二类判断操作主要用于测试是否为月/季/年的第一天或者最后一天
第三类的取整操作包含 round, ceil, floor ，它们的公共参数为 freq ，常用的包括 H, min, S (小时、分钟、 秒)，所有可选的 freq 可参考 此处
2.4 时间戳的切片与索引
一般而言，时间戳序列作为索引使用。如果想要选出某个子时间戳序列，第一类方法是利用 dt 对象和布尔
条件联合使用，另一种方式是利用切片，后者常用于连续时间戳。
3 时间差
3.1 Timedelta 的生成
正如在第一节中所说，时间差可以理解为两个时间戳的差，这里也可以通过 pd.Timedelta 来构造:
生成时间差序列的主要方式是 pd.to_timedelta ，其类型为 timedelta64[ns]
与 date_range 一样，时间差序列也可以用 timedelta_range 来生成，它们两者具有一致的参数
对于 Timedelta 序列，同样也定义了 dt 对象，上面主要定义了的属性包括 days, seconds, mircroseconds, nanoseconds ，它们分别返回了对应的时间差特征。需要注意的是，这里的 seconds 不是指单纯的秒，而是 对天数取余后剩余的秒数
如果不想对天数取余而直接对应秒数，可以使用 total_seconds
与时间戳序列类似，取整函数也是可以在 dt 对象上使用的
3.2 Timedelta 的运算
时间差支持的常用运算有三类:与标量的乘法运算、与时间戳的加减法运算、与时间差的加减法与除法运算
4 日期偏置
4.1 Offset 对象
日期偏置是一种和日历相关的特殊时间差，例如回到第一节中的两个问题:如何求 2020 年 9 月第一个周一 的日期，以及如何求 2020 年 9 月 7 日后的第 30 个工作日是哪一天
从上面的例子中可以看到，Offset 对象在 pd.offsets 中被定义。当使用 + 时获取离其最近的下一个日期，当 使用 - 时获取离其最近的上一个日期
常用的日期偏置如下可以查阅这里的 文档 描述。在文档罗列的 Offset 中，需要介绍一个特殊的 Offset 对象 CDay ，其中的 holidays, weekmask 参数能够分别对自定义的日期和星期进行过滤，前者传入了需要过滤的 日期列表，后者传入的是三个字母的星期缩写构成的星期字符串，其作用是只保留字符串中出现的星期
上面的例子中，n 表示增加一天 CDay ，dr 中的第一天为 20200108 ，但由于下一天 20200109 被排除了，并 且 20200110 是合法的周五，因此转为 20200110 ，其他后面的日期处理类似
4.2 偏置字符串
前面提到了关于 date_range 的 freq 取值可用 Offset 对象，同时在 pandas 中几乎每一个 Offset 对象绑定了 日期偏置字符串(frequencies strings/offset aliases )，可以指定 Offset 对应的字符串来替代使用。
5 时序中的滑窗与分组
5.1 滑动窗口
所谓时序的滑窗函数，即把滑动窗口用 freq 关键词代替，下面给出一个具体的应用案例:在股票市场中有一 个指标为 BOLL 指标，它由中轨线、上轨线、下轨线这三根线构成，具体的计算方法分别是 N 日均值线、N 日均值加两倍 N 日标准差线、N 日均值减两倍 N 日标准差线。
对于 shift 函数而言，作用在 datetime64 为索引的序列上时，可以指定 freq 单位进行滑动
另外，datetime64[ns] 的序列进行 diff 后就能够得到 timedelta64[ns] 的序列，这能够使用户方便地观察有序 时间序列的间隔
5.2 重采样
重采样对象 resample 和第四章中分组对象 groupby 的用法类似，前者是针对时间序列的分组计算而设计的
分组对象。
在 resample 中要特别注意组边界值的处理情况，默认情况下起始值的计算方法是从最小值时间戳对应日期 的午夜 00:00:00 开始增加 freq ，直到不超过该最小时间戳的最大时间戳，由此对应的时间戳为起始值，然 后每次累加 freq 参数作为分割结点进行分组，区间情况为左闭右开。
水果销量数据集
现有一份 2019 年每日水果销量记录表
In [130]: df = pd.read_csv('data/fruit.csv')
In [131]: df.head(3) Out[131]:
Date Fruit Sale
0 2019-04-18 Peach 15
1 2019-12-29 Peach 15
2 2019-06-05 Peach 19
1. 统计如下指标:
(a) 每月上半月(15 号及之前)与下半月葡萄销量的比值
(b) 每月最后一天的生梨销量总和
(c) 每月最后一天工作日的生梨销量总和
(d) 每月最后五天的苹果销量均值
2. 按月计算周一至周日各品种水果的平均记录条数，行索引外层为水果名称，内层为月份，列索引为星 期。
3. 按天计算向前 10 个工作日窗口的苹果销量均值序列，非工作日的值用上一个工作日的结果填充。
