pandas 的日期/時間類型有如下幾種：
| Concept | Scalar Class | Array Class | pandas Data Type | Primary Creation Method |
|---|---|---|---|---|
| Date times | Timestamp | DatetimeIndex | datetime64[ns] or datetime64[ns, tz] | to_datetime or date_range |
| Time deltas | Timedelta | TimedeltaIndex | timedelta64[ns] | to_timedelta or timedelta_range |
| Time spans | Period | PeriodIndex | period[freq] | Period or period_range |
| Date offsets | DateOffset | None | None | DateOffset |
本文介紹在處理時點數(shù) (point in time) 一些常用的處理方法，仍然以上一篇的示例數(shù)據(jù)為例進行講解。pandas 用 Timestamp 表示時點數(shù)，在大多數(shù)情況下和 python 的 datetime 類型的使用方法是通用的。
首先獲取數(shù)據(jù)，并且將 DataFrame 的 date 列轉(zhuǎn)換成 datetime 類型：
df1 = pd.read_csv('https://raw.githubusercontent.com/stonewm/python-practice-projects/master/pandas%20sample%20data/sample-salesv3.csv')
df1['date'] = pd.to_datetime(df1['date']) # convert date column to datetime
df1.head()
也可以在 read_csv() 方法中，通過 parse_dates 參數(shù)直接將某些列轉(zhuǎn)換成 datetime64 類型：
df1 = pd.read_csv('sample-salesv3.csv', parse_dates=['date'])
我們據(jù)此銷售數(shù)據(jù)，按月份、按季度統(tǒng)計 sku 的銷售金額。
pandas 的 pandas.Series.dt 可以獲得日期/時間類型的相關(guān)信息。比如
df1['date'].dt.year
df1['date'].dt.month
df1['date'].dt.quarter
但這些類型返回值為 int 類型，作為統(tǒng)計的字段，我們更希望是 2014-04 這樣的格式，有兩個方法：
# 方法 1
df1['year_month'] = df1['date'].apply(lambda x : x.strftime('%Y-%m'))
第二種方法：
df1['period'] = df1['date'].dt.to_period('M')
第二種方法使用起來更加簡單，參數(shù) M 表示月份，Q 表示季度，A 表示年度，D 表示按天，這幾個參數(shù)比較常用。
新增了一列之后，做出數(shù)據(jù)透視表：
import numpy as np
pivot = pd.pivot_table(df1, index=['sku'], columns=['period'], values=['ext price'], aggfunc=np.sum)
pivot.head()
再做一個按季度統(tǒng)計的數(shù)據(jù)透視表：
df1['quarter'] = df1['date'].dt.to_period('Q')
quarter_pivot = pd.pivot_table(df1, index=['sku'], columns=['quarter'], values=['ext price'], aggfunc=np.sum)
