当前位置：物联沃-IOTWORD物联网 > 技术教程 > Python Pandas date_range()函数详解与使用方法指南
代码收藏家代码收藏家 技术教程

Python Pandas date_range()函数详解与使用方法指南

1. pd.date_range()

pd.date_range() 是 Pandas 中用来生成日期范围的一个函数，常用于创建时间序列数据。它的语法如下：

语法：

pd.date_range(start=None, end=None, periods=None, freq='D', tz=None, normalize=False, closed=None)

参数解释：

  • start (str or datetime-like, optional):

  • 范围的起始日期或时间。如果指定了 end，则 start 是必需的。
  • 例如 '2025-01-01' 表示开始日期为 2025 年 1 月 1 日。

  • end (str or datetime-like, optional):

  • 范围的结束日期或时间。如果指定了 start，则 end 是可选的。
  • 例如 '2025-01-10' 表示结束日期为 2025 年 1 月 10 日。

  • periods (int, optional):

  • 生成的日期数量。如果 指定了 start 或 end，则 periods 必须为空。
  • 例如，periods=10 表示生成 10 个日期。

  • freq (str, optional):

  • 频率。默认值为 'D'，表示按天（daily）生成日期。
  • 你可以指定其他频率，如：
  • 'H'：小时
  • 'T'：分钟
  • 'M'：月末
  • 'A'：年末
  • 还有其他更多的频率选项，具体可以查阅 Pandas 官方文档。

  • tz (str or pytz.timezone or None, optional):

  • 时区。如果提供了时区，将根据时区生成日期。

  • normalize (bool, optional):

  • 是否将日期归一化为午夜（00:00:00）。如果为 True，日期将会归一化到一天的开始时间。

  • closed ({'right', 'left', 'both', 'neither'}, optional):

  • 确定如何闭合日期范围的边界，影响起始点和终点的包含方式。

    • 举例说明：

    import pandas as pd

# 生成从 2025年1月1日 开始的 10 天日期
dates = pd.date_range('2025-01-01', periods=10, freq='D')

print(dates)

    输出：

    DatetimeIndex(['2025-01-01', '2025-01-02', '2025-01-03', '2025-01-04',
               '2025-01-05', '2025-01-06', '2025-01-07', '2025-01-08',
               '2025-01-09', '2025-01-10'],
              dtype='datetime64[ns]', freq='D')

    解释：

  • start='2025-01-01'：指定了起始日期为 2025 年 1 月 1 日。
  • periods=10：生成 10 个日期。
  • freq='D'：指定了日期的频率是按天（daily）。

    • 因此，pd.date_range('2025-01-01', periods=10, freq='D') 会生成从 2025 年 1 月 1 日开始的连续 10 天的日期，按天排列。

    其他使用例子：

    1. 按月生成日期：
    dates = pd.date_range('2025-01-01', periods=6, freq='M')
print(dates)

    生成从 2025 年 1 月 1 日开始的每月日期，共 6 个。

    1. 按小时生成日期：
    dates = pd.date_range('2025-01-01', periods=5, freq='H')
print(dates)

    生成从 2025 年 1 月 1 日开始的每小时日期，共 5 个。

    通过调整 freq 和其他参数，可以灵活地创建时间序列数据，适用于多种时间序列分析需求。

    2. pd.date_range() 使用思路和技巧

    pd.date_range() 是 Pandas 中非常实用的函数，能够根据给定的开始日期、结束日期、日期数量及频率生成一系列日期。以下是一些常见的使用思路和技巧，帮助你在实际工作中高效使用该函数。

    使用思路：

    1. 生成日期序列： pd.date_range() 主要用于生成定长的日期序列，可以通过指定 start 和 end，或者指定 periods 和 freq 来控制日期范围。

    2. start + end：指定起始日期和结束日期，pd.date_range() 会根据指定的频率生成日期序列。
    3. start + periods：指定起始日期和生成日期的个数，pd.date_range() 会从起始日期开始生成指定数量的日期。
    4. end + periods：指定结束日期和生成日期的个数，pd.date_range() 会根据结束日期和频率生成日期序列。

    5. 日期频率的选择： freq 参数用于指定日期生成的间隔，它能够接收多种频率选项，包括：

    6. 'D'：天（默认）
    7. 'H'：小时
    8. 'T' 或 'min'：分钟
    9. 'S'：秒
    10. 'M'：月末
    11. 'A'：年末
    12. 其他常见的频率还包括 'B'（工作日）、'W'（每周）、'Q'（季度末）等。

    13. 与 normalize 一起使用： 使用 normalize=True 参数时，可以将日期归一化为当天的零点（00:00:00），这对于某些应用场景，比如只关心日期而不关心具体时间，可以简化日期的管理。

    14. 适用于生成时间戳索引： pd.date_range() 生成的日期可以作为 Series 或 DataFrame 的索引，广泛应用于时间序列分析、金融数据分析、气象数据分析等场景。

    技巧：

    1. 生成指定时间区间的日期序列

    例如，如果你需要生成从 2025-01-01 开始的 10 天日期序列，使用 periods 参数，指定生成 10 个日期，freq 默认为 'D'，即按天生成日期。

    import pandas as pd

dates = pd.date_range('2025-01-01', periods=10, freq='D')
print(dates)

    输出：

    DatetimeIndex(['2025-01-01', '2025-01-02', '2025-01-03', '2025-01-04',
               '2025-01-05', '2025-01-06', '2025-01-07', '2025-01-08',
               '2025-01-09', '2025-01-10'],
              dtype='datetime64[ns]', freq='D')
    2. 生成按月的日期序列

    如果你希望从某一日期开始，按月生成日期，可以设置 freq='M'。

    dates = pd.date_range('2025-01-01', periods=6, freq='M')
print(dates)

    输出：

    DatetimeIndex(['2025-01-31', '2025-02-28', '2025-03-31', '2025-04-30',
               '2025-05-31', '2025-06-30'],
              dtype='datetime64[ns]', freq='M')
    3. 生成每小时的日期序列

    如果你需要按小时生成日期序列，可以使用 freq='H' 参数。

    dates = pd.date_range('2025-01-01', periods=5, freq='H')
print(dates)

    输出：

    DatetimeIndex(['2025-01-01 00:00:00', '2025-01-01 01:00:00',
               '2025-01-01 02:00:00', '2025-01-01 03:00:00',
               '2025-01-01 04:00:00'],
              dtype='datetime64[ns]', freq='H')
    4. 生成工作日的日期序列

    使用 freq='B' 可以生成按工作日排列的日期序列，跳过周末。

    dates = pd.date_range('2025-01-01', periods=5, freq='B')
print(dates)

    输出：

    DatetimeIndex(['2025-01-01', '2025-01-02', '2025-01-05', '2025-01-06',
               '2025-01-07'],
              dtype='datetime64[ns]', freq='B')
    5. 设置时区

    可以为生成的日期序列设置时区，使用 tz 参数。例如，生成指定时区的日期序列：

    dates = pd.date_range('2025-01-01', periods=5, freq='D', tz='Asia/Shanghai')
print(dates)

    输出：

    DatetimeIndex(['2025-01-01 00:00:00+08:00', '2025-01-02 00:00:00+08:00',
               '2025-01-03 00:00:00+08:00', '2025-01-04 00:00:00+08:00',
               '2025-01-05 00:00:00+08:00'],
              dtype='datetime64[ns, Asia/Shanghai]', freq='D')
    6. 使用 normalize=True 归一化日期

    使用 normalize=True 参数可以将日期归一化为当天的 00:00:00，这对于分析日期而忽略具体时间非常有用。

    dates = pd.date_range('2025-01-01 15:30:00', periods=5, freq='D', normalize=True)
print(dates)

    输出：

    DatetimeIndex(['2025-01-01', '2025-01-02', '2025-01-03', '2025-01-04', '2025-01-05'],
              dtype='datetime64[ns]', freq='D')

    总结：

  • pd.date_range() 是一个非常强大的函数，用于生成特定时间区间的日期序列，可以通过指定 start、end、periods 和 freq 来控制生成的日期范围。
  • 常见的使用技巧包括生成按天、按小时、按月的日期序列，以及按工作日或周末排除日期的功能。
  • normalize 参数用于将时间统一到 00:00:00，tz 用于指定时区，使得生成的日期更加符合实际需求。
  • 在实际使用中，你可以灵活地调整这些参数来生成满足特定需求的时间序列数据，广泛应用于时间序列分析、数据填充、数据聚合等场景。

    • 3. pd.date_range() 使用思路和技巧

    pd.date_range() 是 Pandas 中生成日期时间序列的核心函数，尤其在时间序列数据分析中非常实用。以下是它的使用思路和技巧：

    使用思路

    1. 明确数据需求：

    2. 确定要生成的时间区间，是按天、按小时还是按周、按月等，pd.date_range() 的 freq 参数非常灵活，可以按多种频率生成时间序列。
    3. 确定时间跨度，使用 start 和 end 控制时间范围，或者通过 periods 指定生成的时间数量。

    4. 按需求生成时间索引：

    5. 对于金融数据、传感器数据等，按秒、分钟、小时生成时间戳，适合高频数据分析。
    6. 对于月度报表、年度数据等，按月、季度或年生成时间戳，方便进行长期趋势分析。

    7. 配合时间序列分析工具：

    8. 生成的时间序列常用作 DataFrame 或 Series 的索引，方便进行时间切片、重采样、滚动窗口计算等时间序列分析操作。

    9. 结合时区和日期归一化：

    10. 在跨时区数据处理中，使用 tz 参数设置统一的时区，避免时间错乱。
    11. 使用 normalize=True 将时间部分归一化为 00:00:00，适用于只关注日期不关注时间的场景。

    使用技巧

    1. 灵活指定时间范围

  • 指定起始和结束时间：

    pd.date_range(start='2025-01-01', end='2025-01-10', freq='D')

    生成从 2025-01-01 到 2025-01-10 的每日日期。

  • 指定起始时间和时间间隔数：

    pd.date_range(start='2025-01-01', periods=5, freq='H')

    从 2025-01-01 开始，生成 5 个按小时递增的时间点。

    • 2. 多种时间频率选择

  • 按周生成：

    pd.date_range('2025-01-01', periods=4, freq='W')  # 每周

  • 按季度生成：

    pd.date_range('2025-01-01', periods=4, freq='Q')  # 每季度

  • 仅生成工作日：

    pd.date_range('2025-01-01', periods=5, freq='B')  # 工作日
    • 3. 归一化日期

  • 将时间部分归一化到 00:00:00：

    pd.date_range('2025-01-01 14:30', periods=3, freq='D', normalize=True)

    输出时间均为午夜 00:00:00，便于按日期分析。

    • 4. 设置时区

  • 生成特定时区的时间序列：

    pd.date_range('2025-01-01', periods=3, freq='D', tz='Asia/Shanghai')
    • 5. 生成反向时间序列

  • 使用 end 和 periods 参数，生成从结束日期向前推的时间序列：

    pd.date_range(end='2025-01-10', periods=5, freq='D')

    • 综合示例

    import pandas as pd

# 生成2025年每周一的日期，共5个
dates = pd.date_range('2025-01-01', periods=5, freq='W-MON')
print(dates)

    输出：

    DatetimeIndex(['2025-01-06', '2025-01-13', '2025-01-20', '2025-01-27', '2025-02-03'], dtype='datetime64[ns]', freq='W-MON')

    总结：

  • pd.date_range() 是时间序列数据分析的基础工具，支持多种时间频率生成。
  • 结合 normalize、tz、periods 等参数，能够满足不同数据分析需求。
  • 生成的时间序列可以作为索引，便于进行时间切片、重采样、移动平均等分析操作。
  • 在实际工作中，通过灵活运用该函数，可以极大提高时间序列数据处理的效率。

    • 作者：AI Agent首席体验官

    物联沃分享整理
    物联沃-IOTWORD物联网 » Python Pandas date_range()函数详解与使用方法指南

    代码收藏家 普通

    分享到：

    相关推荐

    发表回复