時(shí)間序列簡(jiǎn)介
時(shí)間序列分析是數(shù)據(jù)分析過(guò)程中，尤其是在金融數(shù)據(jù)分析過(guò)程中會(huì)經(jīng)常遇到的。時(shí)間序列，就是以時(shí)間排序的一組隨機(jī)變量。例如國(guó)家統(tǒng)計(jì)局每年或每月定期發(fā)布的 GDP 或 CPI 指數(shù)；24 小時(shí)內(nèi)某一股票、基金、指數(shù)的數(shù)值變化等，都是時(shí)間序列。
時(shí)間序列處理
當(dāng)拿到一些時(shí)間序列的原始數(shù)據(jù)時(shí)，可能會(huì)遇到一些情況：
1.某一段時(shí)間缺失，需要填充。
2.時(shí)間序列錯(cuò)位，需要對(duì)齊。
3.數(shù)據(jù)表a和數(shù)據(jù)表b所采用的時(shí)間間隔不一致，需要重新采樣。
......
面對(duì)這些問(wèn)題，就需要通過(guò)一些手段來(lái)獲得最終想要的數(shù)據(jù)。
Timestamp時(shí)間戳
時(shí)間戳，即代表一個(gè)時(shí)間時(shí)刻?？梢灾苯佑胮d.Timestamp()來(lái)創(chuàng)建時(shí)間戳。
In [1]: import pandas as pd
In [2]: pd.Timestamp("2018-11-1")
Out[2]: Timestamp('2018-11-01 00:00:00')
In [3]: pd.Timestamp(2018,11,1)
Out[3]: Timestamp('2018-11-01 00:00:00')
In [4]: pd.Timestamp("2018-11-1 11:31:00")
Out[4]: Timestamp('2018-11-01 11:31:00')
時(shí)間戳索引
單個(gè)時(shí)間戳為Timestamp數(shù)據(jù)，當(dāng)時(shí)間戳以列表形式存在時(shí)，Pandas將強(qiáng)制轉(zhuǎn)換為DatetimeIndex。這時(shí)就不能再使用pd.Timestamp()來(lái)創(chuàng)建時(shí)間戳了，而是pd.to_datetime()來(lái)創(chuàng)建：
In [5]: pd.to_datetime(["2018-11-1", "2018-11-2", "2018-11-3"])
Out[5]: DatetimeIndex(['2018-11-01', '2018-11-02', '2018-11-03'], dtype='datetime64[ns]', freq=None)
pd.to_datetime()不僅僅可用來(lái)創(chuàng)建DatetimeIndex，還可以將時(shí)間戳序列格式進(jìn)行轉(zhuǎn)換等操作。常見的時(shí)間戳?xí)鴮憳邮蕉伎梢酝ㄟ^(guò)pd.to_datetime()規(guī)范化。
In [7]: pd.to_datetime(['Jul 10, 2018', '2018-12-12', None])
Out[7]: DatetimeIndex(['2018-07-10', '2018-12-12', 'NaT'], dtype='datetime64[ns]', freq=None)
In [8]: pd.to_datetime(['2017/10/11', '2018/11/1'])
Out[8]: DatetimeIndex(['2017-10-11', '2018-11-01'], dtype='datetime64[ns]', freq=None)
對(duì)于歐洲時(shí)區(qū)普遍采用的書寫樣式，可以通過(guò)dayfirst=True參數(shù)進(jìn)行修正：
In [9]: pd.to_datetime('1-10-2018')
Out[9]: Timestamp('2018-01-10 00:00:00')
In [10]: pd.to_datetime('1-10-2018', dayfirst=True)
Out[10]: Timestamp('2018-10-01 00:00:00')
Pandas熟悉的Series和DataFrame格式的字符串，也可以直接通過(guò)to_datetime轉(zhuǎn)換：
In [11]: pd.to_datetime(pd.Series(['2018-11-1', '2018-11-2', '2018-11-3']))
Out[11]:
0 2018-11-01
1 2018-11-02
2 2018-11-03
dtype: datetime64[ns]
In [12]: pd.to_datetime(['2018-11-1', '2018-11-2', '2018-11-3'])
Out[12]: DatetimeIndex(['2018-11-01', '2018-11-02', '2018-11-03'], dtype='datetime64[ns]', freq=None)
In [13]: pd.to_datetime(pd.DataFrame({'year': [2017, 2017], 'month': [1, 2],
...: 'day': [3, 4], 'hour': [5, 6]}))
Out[13]:
0 2017-01-03 05:00:00
1 2017-02-04 06:00:00
dtype: datetime64[ns]
其中：
- pd.to_datetime(Series/DataFrame)返回的是Series。
- pd.to_datetime(List)返回的是DatetimeIndex。
如果要轉(zhuǎn)換如上所示的DataFrame，必須存在的列名有year，month，day。另外 hour, minute, second, millisecond, microsecond, nanosecond可選。
當(dāng)使用pd.to_datetime() 轉(zhuǎn)換數(shù)據(jù)時(shí)，很容易遇到無(wú)效數(shù)據(jù)。有一些任務(wù)對(duì)無(wú)效數(shù)據(jù)非?？量?，所以報(bào)錯(cuò)讓我們找到這些無(wú)效數(shù)據(jù)是不錯(cuò)的方法。當(dāng)然，也有一些任務(wù)不在乎零星的無(wú)效數(shù)據(jù)，這時(shí)候就可以選擇忽略。
# 遇到無(wú)效數(shù)據(jù)報(bào)錯(cuò)
In [15]: pd.to_datetime(['2018-11-1', 'invalid'], errors='raise')
ValueError: ('Unknown string format:', 'invalid')
# 忽略無(wú)效數(shù)據(jù)
In [17]: pd.to_datetime(['2018-11-1', 'invalid'], errors='ignore')
Out[17]: array(['2018-11-1', 'invalid'], dtype=object)
# 將無(wú)效數(shù)據(jù)顯示為NaT
In [18]: pd.to_datetime(['2018-11-1', 'invalid'], errors='coerce')
Out[18]: DatetimeIndex(['2018-11-01', 'NaT'], dtype='datetime64[ns]', freq=None)
生成DatetimeIndex的另一個(gè)重要方法pandas.data_range。
可以通過(guò)指定一個(gè)規(guī)則，讓pandas.data_range生成有序的DatetimeIndex.
pandas.data_range帶有的默認(rèn)參數(shù)如下：
pandas.date_range(start=None, end=None, periods=None, freq=’D’, tz=None, normalize=False,
name=None, closed=None, **kwargs)
常用參數(shù)的含義如下：
- start= : 設(shè)置起始時(shí)間
- end= : 設(shè)置截至?xí)r間
- periods= ：設(shè)置時(shí)間區(qū)間，若None則需要單獨(dú)設(shè)置起止和截至?xí)r間。
- freq= : 設(shè)置間隔周期。
- 設(shè)置時(shí)區(qū)。
其中，freq= 參數(shù)是非常關(guān)鍵的參數(shù)，可以設(shè)置的周期有：
- freq='s' ：秒
- freq='min' ：分鐘
- freq='H' ：小時(shí)
- freq='D' ：天
- freq='w' ：周
- freq='m' ：月
- freq='BM' ：每個(gè)月最后一個(gè)工作日
- freq='W' ： 每周的星期日
# 從2018-11-1 到 2018-11-2，以小時(shí)間隔
In [19]: pd.date_range('2018-11-1', '2018-11-2', freq='H')
Out[19]:
DatetimeIndex(['2018-11-01 00:00:00', '2018-11-01 01:00:00',
'2018-11-01 02:00:00', '2018-11-01 03:00:00',
'2018-11-01 04:00:00', '2018-11-01 05:00:00',
'2018-11-01 06:00:00', '2018-11-01 07:00:00',
'2018-11-01 08:00:00', '2018-11-01 09:00:00',
'2018-11-01 10:00:00', '2018-11-01 11:00:00',
'2018-11-01 12:00:00', '2018-11-01 13:00:00',
'2018-11-01 14:00:00', '2018-11-01 15:00:00',
'2018-11-01 16:00:00', '2018-11-01 17:00:00',
'2018-11-01 18:00:00', '2018-11-01 19:00:00',
'2018-11-01 20:00:00', '2018-11-01 21:00:00',
'2018-11-01 22:00:00', '2018-11-01 23:00:00',
'2018-11-02 00:00:00'],
dtype='datetime64[ns]', freq='H')
# 從2018-11-1 開始，以1s為間隔，向后推 10 次
In [20]: pd.date_range('2018-11-1', periods=10, freq='s')
Out[20]:
DatetimeIndex(['2018-11-01 00:00:00', '2018-11-01 00:00:01',
'2018-11-01 00:00:02', '2018-11-01 00:00:03',
'2018-11-01 00:00:04', '2018-11-01 00:00:05',
'2018-11-01 00:00:06', '2018-11-01 00:00:07',
'2018-11-01 00:00:08', '2018-11-01 00:00:09'],
dtype='datetime64[ns]', freq='S')
# 從2018-11-1 開始， 以 1H20min為間隔， 向后推 10 次
In [21]: pd.date_range('11/1/2018', periods=10, freq='1H20min')
Out[21]:
DatetimeIndex(['2018-11-01 00:00:00', '2018-11-01 01:20:00',
'2018-11-01 02:40:00', '2018-11-01 04:00:00',
'2018-11-01 05:20:00', '2018-11-01 06:40:00',
'2018-11-01 08:00:00', '2018-11-01 09:20:00',
'2018-11-01 10:40:00', '2018-11-01 12:00:00'],
dtype='datetime64[ns]', freq='80T')
除了生成DatetimeIndex，還可以對(duì)已有的DatetimeIndex進(jìn)行操作。這些操作包括選擇，切片等。類似于對(duì)Series的操作。
In [23]: x = pd.date_range('2018-11-1', periods=10, freq='1D1H')
In [24]: x
Out[24]:
DatetimeIndex(['2018-11-01 00:00:00', '2018-11-02 01:00:00',
'2018-11-03 02:00:00', '2018-11-04 03:00:00',
'2018-11-05 04:00:00', '2018-11-06 05:00:00',
'2018-11-07 06:00:00', '2018-11-08 07:00:00',
'2018-11-09 08:00:00', '2018-11-10 09:00:00'],
dtype='datetime64[ns]', freq='25H')
# 選取索引為1的時(shí)間戳
In [27]: x[1]
Out[27]: Timestamp('2018-11-02 01:00:00', freq='25H')
# 對(duì)索引從0到4的時(shí)間進(jìn)行切片
In [28]: x[:5]
Out[28]:
DatetimeIndex(['2018-11-01 00:00:00', '2018-11-02 01:00:00',
'2018-11-03 02:00:00', '2018-11-04 03:00:00',
'2018-11-05 04:00:00'],
dtype='datetime64[ns]', freq='25H')
DateOffset對(duì)象
上面，使用freq='1D1H'參數(shù)，可以生成間隔1天+1小時(shí)的時(shí)間戳索引。而在時(shí)間序列處理中，還常用到一種叫做DateOffset對(duì)象，可以對(duì)時(shí)間戳索引進(jìn)行更加靈活的變化。DateOffset對(duì)象主要作用有：
- 可以讓時(shí)間索引增加或減少一定時(shí)間段。
- 可以讓時(shí)間索引乘以一個(gè)整數(shù)。
- 可以讓時(shí)間索引向前或后移動(dòng)到下一個(gè)或上一個(gè)特定的偏移日期。
In [29]: from pandas import offsets
In [30]: a = pd.date_range('2018-11-1', periods=10, freq='1D1H')
In [31]: a
Out[31]:
DatetimeIndex(['2018-11-01 00:00:00', '2018-11-02 01:00:00',
'2018-11-03 02:00:00', '2018-11-04 03:00:00',
'2018-11-05 04:00:00', '2018-11-06 05:00:00',
'2018-11-07 06:00:00', '2018-11-08 07:00:00',
'2018-11-09 08:00:00', '2018-11-10 09:00:00'],
dtype='datetime64[ns]', freq='25H')
# 使用DateOffset 對(duì)象讓a依次增加1個(gè)月+2天+3小時(shí)
In [33]: a + offsets.DateOffset(months=1, days=2, hours=3)
Out[33]:
DatetimeIndex(['2018-12-03 03:00:00', '2018-12-04 04:00:00',
'2018-12-05 05:00:00', '2018-12-06 06:00:00',
'2018-12-07 07:00:00', '2018-12-08 08:00:00',
'2018-12-09 09:00:00', '2018-12-10 10:00:00',
'2018-12-11 11:00:00', '2018-12-12 12:00:00'],
dtype='datetime64[ns]', freq='25H')
# 使用DateOffset對(duì)象讓a向后偏移2周
In [34]: a + 2*offsets.Week()
Out[34]:
DatetimeIndex(['2018-11-15 00:00:00', '2018-11-16 01:00:00',
'2018-11-17 02:00:00', '2018-11-18 03:00:00',
'2018-11-19 04:00:00', '2018-11-20 05:00:00',
'2018-11-21 06:00:00', '2018-11-22 07:00:00',
'2018-11-23 08:00:00', '2018-11-24 09:00:00'],
dtype='datetime64[ns]', freq='25H')
Period 時(shí)間間隔
Pandas 中還存在 Period 時(shí)間間隔和 PeriodIndex 時(shí)間間隔索引對(duì)象。它們用來(lái)定義一定時(shí)間跨度。
# 一年跨度
In [35]: pd.Period('2018')
Out[35]: Period('2018', 'A-DEC')
# 一個(gè)月跨度
In [36]: pd.Period('2018-11')
Out[36]: Period('2018-11', 'M')
# 一天跨度
In [37]: pd.Period('2018-11-1')
Out[37]: Period('2018-11-01', 'D')
# 一小時(shí)跨度
In [38]: pd.Period('2018-11-1 13')
Out[38]: Period('2018-11-01 13:00', 'H')
# 一分鐘跨度
In [39]: pd.Period('2018-11-1 13:22')
Out[39]: Period('2018-11-01 13:22', 'T')
# 一秒跨度
In [40]: pd.Period('2018-11-1 13:22:12')
Out[40]: Period('2018-11-01 13:22:12', 'S')
同樣可以通過(guò)pandas.period_range()方法來(lái)生成序列：
In [42]: pd.period_range('2017-11', '2018-11', freq='M')
Out[42]:
PeriodIndex(['2017-11', '2017-12', '2018-01', '2018-02', '2018-03', '2018-04',
'2018-05', '2018-06', '2018-07', '2018-08', '2018-09', '2018-10',
'2018-11'],
dtype='period[M]', freq='M')
DatetimeIndex 的dtype 類型為 datetime64[ns]，而 PeriodIndex 的 dtype 類型為 period[M]。另外，對(duì)于 Timestamp和 Period 的區(qū)別，在單獨(dú)拿出來(lái)看一下：
In [43]: pd.Period('2018-11-1')
Out[43]: Period('2018-11-01', 'D')
In [44]: pd.Timestamp('2018-11-1')
Out[44]: Timestamp('2018-11-01 00:00:00')
可以看到，上面代表是2017-01-01這一天，而下面僅代表 2017-01-01 00:00:00 這一時(shí)刻。
時(shí)序數(shù)據(jù)檢索
DatetimeIndex 之所以稱之為時(shí)間戳索引，當(dāng)然是它的主要用途是作為 Series 或者 DataFrame 的索引。下面，就隨機(jī)生成一些數(shù)據(jù)，看一看如何對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行操作。
In [1]: import numpy as np
In [2]: import pandas as pd
# 生成時(shí)間索引
In [3]: i = pd.date_range('2018-11-1', periods=20, freq='M')
# 生成隨機(jī)數(shù)據(jù)并添加時(shí)間作為索引
In [4]: data = pd.Series(np.random.randn(len(i)), index=i)
# 查看數(shù)據(jù)
In [5]: data
Out[5]:
2018-11-30 -1.040781
2018-12-31 -2.396724
2019-01-31 0.370134
2019-02-28 -1.655618
2019-03-31 -0.755367
2019-04-30 -1.465855
2019-05-31 -1.212847
2019-06-30 -0.816448
2019-07-31 0.360213
2019-08-31 0.100798
2019-09-30 1.004533
2019-10-31 0.488605
2019-11-30 -2.452875
2019-12-31 -1.495978
2020-01-31 0.535245
2020-02-29 -0.480371
2020-03-31 -0.536331
2020-04-30 0.640610
2020-05-31 0.271148
2020-06-30 0.522567
Freq: M, dtype: float64
上面就生成了一個(gè)以時(shí)間為索引的 Series 序列。這就回到了對(duì) Pandas 中 Series 和 DataFrame 類型數(shù)據(jù)操作的問(wèn)題。下面演示一些操作：
# 檢索2018年的所有數(shù)據(jù)
In [6]: data['2018']
Out[6]:
2018-11-30 -1.040781
2018-12-31 -2.396724
Freq: M, dtype: float64
# 檢索2019年7月到2020年3月之間的所有數(shù)據(jù)
In [7]: data['2019-07':'2020-03']
Out[7]:
2019-07-31 0.360213
2019-08-31 0.100798
2019-09-30 1.004533
2019-10-31 0.488605
2019-11-30 -2.452875
2019-12-31 -1.495978
2020-01-31 0.535245
2020-02-29 -0.480371
2020-03-31 -0.536331
Freq: M, dtype: float64
# 使用loc方法檢索2019年1月的所有數(shù)據(jù)
In [8]: data.loc['2019-01']
Out[8]:
2019-01-31 0.370134
Freq: M, dtype: float64
# 使用truncate方法檢索2019-3-1 到 2020-4-2 期間的數(shù)據(jù)
In [9]: data.truncate(before='2019-3-1', after='2020-4-2')
Out[9]:
2019-03-31 -0.755367
2019-04-30 -1.465855
2019-05-31 -1.212847
2019-06-30 -0.816448
2019-07-31 0.360213
2019-08-31 0.100798
2019-09-30 1.004533
2019-10-31 0.488605
2019-11-30 -2.452875
2019-12-31 -1.495978
2020-01-31 0.535245
2020-02-29 -0.480371
2020-03-31 -0.536331
Freq: M, dtype: float64
時(shí)間數(shù)據(jù)偏移
這里可能會(huì)用到 Shifting 方法，將時(shí)間索引進(jìn)行整體偏移。
# 生成時(shí)間索引
In [10]: i = pd.date_range('2017-1-1', periods=5, freq='M')
# 生成隨機(jī)數(shù)據(jù)并添加時(shí)間作為索引
In [11]: data = pd.Series(np.random.randn(len(i)), index=i)
# 查看數(shù)據(jù)
In [12]: data
Out[12]:
2017-01-31 -0.440074
2017-02-28 0.706395
2017-03-31 0.823844
2017-04-30 0.703313
2017-05-31 0.920151
Freq: M, dtype: float64
# 將索引向前移位3個(gè)單位，也就是數(shù)據(jù)向后位移3個(gè)單位，缺失數(shù)據(jù)Pandas會(huì)用NaN填充
In [13]: data.shift(3)
Out[13]:
2017-01-31 NaN
2017-02-28 NaN
2017-03-31 NaN
2017-04-30 -0.440074
2017-05-31 0.706395
Freq: M, dtype: float64
# 將索引向后位移3個(gè)單位，也就是數(shù)據(jù)向前位移3個(gè)單位
In [14]: data.shift(-3)
Out[14]:
2017-01-31 0.703313
2017-02-28 0.920151
2017-03-31 NaN
2017-04-30 NaN
2017-05-31 NaN
Freq: M, dtype: float64
# 將索引的時(shí)間向后移動(dòng)3天
In [15]: data.shift(3, freq='D')
Out[15]:
2017-02-03 -0.440074
2017-03-03 0.706395
2017-04-03 0.823844
2017-05-03 0.703313
2017-06-03 0.920151
dtype: float64
時(shí)間數(shù)據(jù)重采樣
除了 Shifting 方法，重采樣 Resample 也會(huì)經(jīng)常用到。Resample 可以提升或降低一個(gè)時(shí)間索引序列的頻率，大有用處。例如：當(dāng)時(shí)間序列數(shù)據(jù)量非常大時(shí)，我們可以通過(guò)低頻率采樣的方法得到規(guī)模較小到時(shí)間覆蓋依然較為全面的新數(shù)據(jù)集。另外，對(duì)于多個(gè)不同頻率的數(shù)據(jù)集需要數(shù)據(jù)對(duì)齊時(shí)，重采樣可以十分重要的手段。
In [16]: i = pd.date_range('2017-01-01', periods=20, freq='D')
In [17]: data = pd.Series(np.random.randn(len(i)), index=i)
In [18]: data
Out[18]:
2017-01-01 1.096656
2017-01-02 -2.404326
2017-01-03 -0.883177
2017-01-04 0.554299
2017-01-05 -1.004089
2017-01-06 -0.014365
2017-01-07 -0.514893
2017-01-08 -0.049173
2017-01-09 1.633568
2017-01-10 2.076252
2017-01-11 0.132104
2017-01-12 -1.011756
2017-01-13 -1.330824
2017-01-14 1.626463
2017-01-15 -0.339399
2017-01-16 -0.622435
2017-01-17 -0.201180
2017-01-18 -1.193216
2017-01-19 -1.522457
2017-01-20 1.217058
Freq: D, dtype: float64
# 按照2天進(jìn)行降采樣，并對(duì)2天對(duì)應(yīng)的數(shù)據(jù)求和作為新數(shù)據(jù)
In [19]: data.resample('2D').sum()
Out[19]:
2017-01-01 -1.307670
2017-01-03 -0.328878
2017-01-05 -1.018454
2017-01-07 -0.564066
2017-01-09 3.709820
2017-01-11 -0.879652
2017-01-13 0.295638
2017-01-15 -0.961834
2017-01-17 -1.394395
2017-01-19 -0.305399
dtype: float64
# 按照2天進(jìn)行降采樣，并對(duì)2天對(duì)應(yīng)的數(shù)據(jù)求平均值作為新數(shù)據(jù)
In [20]: data.resample('2D').mean()
Out[20]:
2017-01-01 -0.653835
2017-01-03 -0.164439
2017-01-05 -0.509227
2017-01-07 -0.282033
2017-01-09 1.854910
2017-01-11 -0.439826
2017-01-13 0.147819
2017-01-15 -0.480917
2017-01-17 -0.697198
2017-01-19 -0.152700
dtype: float64
# 按照2天進(jìn)行降采樣，并對(duì)2天對(duì)應(yīng)的數(shù)據(jù)求最大值作為新數(shù)據(jù)
In [21]: data.resample('2D').max()
Out[21]:
2017-01-01 1.096656
2017-01-03 0.554299
2017-01-05 -0.014365
2017-01-07 -0.049173
2017-01-09 2.076252
2017-01-11 0.132104
2017-01-13 1.626463
2017-01-15 -0.339399
2017-01-17 -0.201180
2017-01-19 1.217058
dtype: float64
# 按照2天進(jìn)行降采樣，并將2天對(duì)應(yīng)的數(shù)據(jù)的原值，最大值，最小值，以及臨近值列出
In [22]: data.resample('2D').ohlc()
Out[22]:
open high low close
2017-01-01 1.096656 1.096656 -2.404326 -2.404326
2017-01-03 -0.883177 0.554299 -0.883177 0.554299
2017-01-05 -1.004089 -0.014365 -1.004089 -0.014365
2017-01-07 -0.514893 -0.049173 -0.514893 -0.049173
2017-01-09 1.633568 2.076252 1.633568 2.076252
2017-01-11 0.132104 0.132104 -1.011756 -1.011756
2017-01-13 -1.330824 1.626463 -1.330824 1.626463
2017-01-15 -0.339399 -0.339399 -0.622435 -0.622435
2017-01-17 -0.201180 -0.201180 -1.193216 -1.193216
2017-01-19 -1.522457 1.217058 -1.522457 1.217058
采樣操作起來(lái)只是需要注意采樣后對(duì)新數(shù)據(jù)不同的處理方法。上面介紹的是降頻采樣。也可以升頻采樣。
# 時(shí)間頻率從天提升到小時(shí)，并使用相同的數(shù)據(jù)對(duì)新增加行填充
In [23]: data.resample('H').ffill()
Out[23]:
2017-01-01 00:00:00 1.096656
2017-01-01 01:00:00 1.096656
2017-01-01 02:00:00 1.096656
2017-01-01 03:00:00 1.096656
...
2017-01-19 20:00:00 -1.522457
2017-01-19 21:00:00 -1.522457
2017-01-19 22:00:00 -1.522457
2017-01-19 23:00:00 -1.522457
2017-01-20 00:00:00 1.217058
Freq: H, Length: 457, dtype: float64
# 時(shí)間頻率從天提升到小時(shí)，不對(duì)新增加行填充
In [24]: data.resample('H').asfreq()
Out[24]:
2017-01-01 00:00:00 1.096656
2017-01-01 01:00:00 NaN
2017-01-01 02:00:00 NaN
2017-01-01 03:00:00 NaN
2017-01-01 04:00:00 NaN
...
2017-01-19 20:00:00 NaN
2017-01-19 21:00:00 NaN
2017-01-19 22:00:00 NaN
2017-01-19 23:00:00 NaN
2017-01-20 00:00:00 1.217058
Freq: H, Length: 457, dtype: float64
# 時(shí)間頻率從天提升到小時(shí)，只對(duì)新增加前3行填充
In [25]: data.resample('H').ffill(limit=3)
Out[25]:
2017-01-01 00:00:00 1.096656
2017-01-01 01:00:00 1.096656
2017-01-01 02:00:00 1.096656
2017-01-01 03:00:00 1.096656
2017-01-01 04:00:00 NaN
...
2017-01-19 20:00:00 NaN
2017-01-19 21:00:00 NaN
2017-01-19 22:00:00 NaN
2017-01-19 23:00:00 NaN
2017-01-20 00:00:00 1.217058
Freq: H, Length: 457, dtype: float64
