Pandas必备技能之“时间序列数据处理”

时间序列数据Time Series Data是在不同时间上收集到的数据，这类数据是按时间顺序收集到的，用于所描述现象随时间变化的情况。

时间序列分析广泛应用于计量经济学模型中，通过寻找历史数据中某一现象的发展规律，对未来进行预测。

时间序列数据作为时间序列分析的基础，学会如何对它进行巧妙地处理是非常必要的，Python中的Pandas库为我们提供了强大的时间序列数据处理的方法，本文会介绍其中常用的几个。

【工具】

• Python 3
• Tushare

01、时间格式转换

有时候，我们获得的原始数据并不是按照时间类型索引进行排列的，需要先进行时间格式的转换，为后续的操作和分析做准备。

这里介绍两种方法。第一种方法是用pandas.read_csv导入文件的时候，通过设置参数parse_dates和index_col，直接对日期列进行转换，并将其设置为索引。关于参数的详细解释，请查看文档【1】。

如下示例中，在没有设置参数之前，可以观察到数据集中的索引是数字0-208，'date'列的数据类型也不是日期。

In [8]: data = pd.read_csv('unemployment.csv') 
In [9]: data.info() 
<class 'pandas.core.frame.DataFrame'> 
RangeIndex: 209 entries, 0 to 208 
Data columns (total 2 columns): 
date      209 non-null object 
UNRATE    209 non-null float64 
dtypes: float64(1), object(1) 
memory usage: 3.3+ KB 

设置参数parse_dates = ['date'] ，将数据类型转换成日期，再设置 index_col = 'date'，将这一列用作索引，结果如下。

In [11]: data = pd.read_csv('unemployment.csv', parse_dates=['date'], index_col='date') 
 
In [12]: data.info() 
<class 'pandas.core.frame.DataFrame'> 
DatetimeIndex: 209 entries, 2000-01-01 to 2017-05-01 
Data columns (total 1 columns): 
UNRATE    209 non-null float64 
dtypes: float64(1) 
memory usage: 13.3 KB 

这时，索引变成了日期'20000101'-'2017-05-01'，数据类型是datetime。

第二种方法是在已经导入数据的情况下，用pd.to_datetime()【2】将列转换成日期类型，再用 df.set_index()【3】将其设置为索引，完成转换。

以tushare.pro上面的日线行情数据为例，我们把'trade_date'列转换成日期类型，并设置成索引。

import tushare as ts 
import pandas as pd 
 
pd.set_option('expand_frame_repr', False)  # 列太多时不换行 
pro = ts.pro_api() 
 
df = pro.daily(ts_code='000001.SZ', start_date='20180701', end_date='20180718') 
 
df.info() 
 
<class 'pandas.core.frame.DataFrame'> 
RangeIndex: 13 entries, 0 to 12 
Data columns (total 11 columns): 
ts_code       13 non-null object 
trade_date    13 non-null object 
open          13 non-null float64 
high          13 non-null float64 
low           13 non-null float64 
close         13 non-null float64 
pre_close     13 non-null float64 
change        13 non-null float64 
pct_chg       13 non-null float64 
vol           13 non-null float64 
amount        13 non-null float64 
dtypes: float64(9), object(2) 
memory usage: 1.2+ KB 
None 
 
 
df['trade_date'] = pd.to_datetime(df['trade_date']) 
df.set_index('trade_date', inplace=True) 
df.sort_values('trade_date', ascending=True, inplace=True)  # 升序排列 
 
df.info() 
 
<class 'pandas.core.frame.DataFrame'> 
DatetimeIndex: 13 entries, 2018-07-02 to 2018-07-18 
Data columns (total 10 columns): 
ts_code      13 non-null object 
open         13 non-null float64 
high         13 non-null float64 
low          13 non-null float64 
close        13 non-null float64 
pre_close    13 non-null float64 
change       13 non-null float64 
pct_chg      13 non-null float64 
vol          13 non-null float64 
amount       13 non-null float64 
dtypes: float64(9), object(1) 
memory usage: 1.1+ KB 

打印出前5行，效果如下。

df.head() 
Out[15]:  
              ts_code  open  high   low  close  pre_close  change  pct_chg         vol       amount 
trade_date                                                                                          
2018-07-02  000001.SZ  9.05  9.05  8.55   8.61       9.09   -0.48    -5.28  1315520.13  1158545.868 
2018-07-03  000001.SZ  8.69  8.70  8.45   8.67       8.61    0.06     0.70  1274838.57  1096657.033 
2018-07-04  000001.SZ  8.63  8.75  8.61   8.61       8.67   -0.06    -0.69   711153.37   617278.559 
2018-07-05  000001.SZ  8.62  8.73  8.55   8.60       8.61   -0.01    -0.12   835768.77   722169.579 
2018-07-06  000001.SZ  8.61  8.78  8.45   8.66       8.60    0.06     0.70   988282.69   852071.526 

02、时间周期转换

在完成时间格式转换之后，我们就可以进行后续的日期操作了。下面介绍一下如何对时间序列数据进行重采样resampling。

重采样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。将⾼频率数据聚合到低频率称为降采样downsampling，如将股票的日线数据转换成周线数据，⽽将低频率数据转换到⾼频率则称为升采样upsampling，如将股票的周线数据转换成日线数据。

降采样：以日线数据转换周线数据为例。继续使用上面的tushare.pro日线行情数据，选出特定的几列。

df = df[['ts_code', 'open', 'high', 'low', 'close', 'vol']]  # 单位：成交量 （手） 
 
 
              ts_code  open  high   low  close         vol 
trade_date                                                 
2018-07-02  000001.SZ  9.05  9.05  8.55   8.61  1315520.13 
2018-07-03  000001.SZ  8.69  8.70  8.45   8.67  1274838.57 
2018-07-04  000001.SZ  8.63  8.75  8.61   8.61   711153.37 
2018-07-05  000001.SZ  8.62  8.73  8.55   8.60   835768.77 
2018-07-06  000001.SZ  8.61  8.78  8.45   8.66   988282.69 
2018-07-09  000001.SZ  8.69  9.03  8.68   9.03  1409954.60 
2018-07-10  000001.SZ  9.02  9.02  8.89   8.98   896862.02 
2018-07-11  000001.SZ  8.76  8.83  8.68   8.78   851296.70 
2018-07-12  000001.SZ  8.60  8.97  8.58   8.88  1140492.31 
2018-07-13  000001.SZ  8.92  8.94  8.82   8.88   603378.21 
2018-07-16  000001.SZ  8.85  8.90  8.69   8.73   689845.58 
2018-07-17  000001.SZ  8.74  8.75  8.66   8.72   375356.33 
2018-07-18  000001.SZ  8.75  8.85  8.69   8.70   525152.77 

为了方便大家观察，把这段时间的日历附在下面，'2018-07-02'正好是星期一。

转换的思路是这样的，以日历中的周进行聚合，如'20180702'-'20180708'，取该周期内，日线开盘价的第一个值作为周开盘价，日线最高价的最大值作为周最高价，日线最低价的最小值作为周最低价，日线收盘价的最后一个值作为周最收盘价，日线最高价的最大值作为周最高价，日线成交量的求和作为周成交量(手)，如下图黄色方框所示。

我们可以通过.resample()【4】方法实现上述操作，对DataFrame和Series都适用。其中，参数rule设置需要转换成的频率，'1W'是一周。

具体转换的代码如下，日期默认为本周的星期日，如果周期内数据不全，如'20180722'这周只有3行数据，也会按照上述方法进行转换。

freq = '1W' 
df_weekly = df[['open']].resample(rule=freq).first() 
df_weekly['high'] = df['high'].resample(rule=freq).max() 
df_weekly['low'] = df['low'].resample(rule=freq).min() 
df_weekly['close'] = df['close'].resample(rule=freq).last() 
df_weekly['vol'] = df['vol'].resample(rule=freq).sum() 
 
df_weekly 
 
Out[33]:  
            open  high   low  close         vol 
trade_date                                      
2018-07-08  9.05  9.05  8.45   8.66  5125563.53 
2018-07-15  8.69  9.03  8.58   8.88  4901983.84 
2018-07-22  8.85  8.90  8.66   8.70  1590354.68 

升采样：以周线数据转换日线数据为例。继续使用上面刚刚转换好的周线数据，我们再试着把它转换成日线数据。先通过.resample('D').asfreq()【5】方法，将周线数据的频率转换成日线，效果如下。

df_daily = df_weekly.resample('D').asfreq() 
print(df_daily) 
 
Out[52]:  
            open  high   low  close         vol 
trade_date                                      
2018-07-08  9.05  9.05  8.45   8.66  5125563.53 
2018-07-09   NaN   NaN   NaN    NaN         NaN 
2018-07-10   NaN   NaN   NaN    NaN         NaN 
2018-07-11   NaN   NaN   NaN    NaN         NaN 
2018-07-12   NaN   NaN   NaN    NaN         NaN 
2018-07-13   NaN   NaN   NaN    NaN         NaN 
2018-07-14   NaN   NaN   NaN    NaN         NaN 
2018-07-15  8.69  9.03  8.58   8.88  4901983.84 
2018-07-16   NaN   NaN   NaN    NaN         NaN 
2018-07-17   NaN   NaN   NaN    NaN         NaN 
2018-07-18   NaN   NaN   NaN    NaN         NaN 
2018-07-19   NaN   NaN   NaN    NaN         NaN 
2018-07-20   NaN   NaN   NaN    NaN         NaN 
2018-07-21   NaN   NaN   NaN    NaN         NaN 
2018-07-22  8.85  8.90  8.66   8.70  1590354.68 

结果中出现了很多空值，需要我们按照一定的方法进行填充，可以通过添加.ffill()或者.bfill()实现。

其中，.ffill()代表用前值进行填充，也就是用前面的非空值对后面的NaN值进行填充，如'20180709'-20180714' 的NaN值都等于'20180708'这一行的非空值，效果如下。

df_daily = df_weekly.resample('D').ffill() 
df_daily 
 
Out[54]:  
            open  high   low  close         vol 
trade_date                                      
2018-07-08  9.05  9.05  8.45   8.66  5125563.53 
2018-07-09  9.05  9.05  8.45   8.66  5125563.53 
2018-07-10  9.05  9.05  8.45   8.66  5125563.53 
2018-07-11  9.05  9.05  8.45   8.66  5125563.53 
2018-07-12  9.05  9.05  8.45   8.66  5125563.53 
2018-07-13  9.05  9.05  8.45   8.66  5125563.53 
2018-07-14  9.05  9.05  8.45   8.66  5125563.53 
2018-07-15  8.69  9.03  8.58   8.88  4901983.84 
2018-07-16  8.69  9.03  8.58   8.88  4901983.84 
2018-07-17  8.69  9.03  8.58   8.88  4901983.84 
2018-07-18  8.69  9.03  8.58   8.88  4901983.84 
2018-07-19  8.69  9.03  8.58   8.88  4901983.84 
2018-07-20  8.69  9.03  8.58   8.88  4901983.84 
2018-07-21  8.69  9.03  8.58   8.88  4901983.84 
2018-07-22  8.85  8.90  8.66   8.70  1590354.68 

同理，.bfill()代表用后值对空值进行填充，效果如下。

df_daily = df_weekly.resample('D').bfill() 
df_daily 
Out[55]:  
            open  high   low  close         vol 
trade_date                                      
2018-07-08  9.05  9.05  8.45   8.66  5125563.53 
2018-07-09  8.69  9.03  8.58   8.88  4901983.84 
2018-07-10  8.69  9.03  8.58   8.88  4901983.84 
2018-07-11  8.69  9.03  8.58   8.88  4901983.84 
2018-07-12  8.69  9.03  8.58   8.88  4901983.84 
2018-07-13  8.69  9.03  8.58   8.88  4901983.84 
2018-07-14  8.69  9.03  8.58   8.88  4901983.84 
2018-07-15  8.69  9.03  8.58   8.88  4901983.84 
2018-07-16  8.85  8.90  8.66   8.70  1590354.68 
2018-07-17  8.85  8.90  8.66   8.70  1590354.68 
2018-07-18  8.85  8.90  8.66   8.70  1590354.68 
2018-07-19  8.85  8.90  8.66   8.70  1590354.68 
2018-07-20  8.85  8.90  8.66   8.70  1590354.68 
2018-07-21  8.85  8.90  8.66   8.70  1590354.68 
2018-07-22  8.85  8.90  8.66   8.70  1590354.68 

03、时间窗口函数

当我们想要比较数据在相同时间窗口的不同特征和变化时，可以借助窗口函数rolling【6】进行计算。

看一个实例：计算股票收盘价的移动平均值。

df = df[['ts_code', 'close']] 
df 
Out[58]:  
              ts_code  close 
trade_date                   
2018-07-02  000001.SZ   8.61 
2018-07-03  000001.SZ   8.67 
2018-07-04  000001.SZ   8.61 
2018-07-05  000001.SZ   8.60 
2018-07-06  000001.SZ   8.66 
2018-07-09  000001.SZ   9.03 
2018-07-10  000001.SZ   8.98 
2018-07-11  000001.SZ   8.78 
2018-07-12  000001.SZ   8.88 
2018-07-13  000001.SZ   8.88 
2018-07-16  000001.SZ   8.73 
2018-07-17  000001.SZ   8.72 
2018-07-18  000001.SZ   8.70 

调用rolling函数，通过设置参数window的值规定窗口大小，这里设置为3，并且调用.mean()方法计算窗口期为3天的均值，结果如下。

其中，'20180704'当天的平均值等于'20180702'-'20180704'三天的收盘价取平均的结果，'20180705'当天的平均值等于'20180703'-'20180705'三天的收盘价取平均的结果，以此类推。

df['MA3'] = df['close'].rolling(3).mean() 
df 
Out[76]:  
              ts_code  close       MA3 
trade_date                             
2018-07-02  000001.SZ   8.61       NaN 
2018-07-03  000001.SZ   8.67       NaN 
2018-07-04  000001.SZ   8.61  8.630000 
2018-07-05  000001.SZ   8.60  8.626667 
2018-07-06  000001.SZ   8.66  8.623333 
2018-07-09  000001.SZ   9.03  8.763333 
2018-07-10  000001.SZ   8.98  8.890000 
2018-07-11  000001.SZ   8.78  8.930000 
2018-07-12  000001.SZ   8.88  8.880000 
2018-07-13  000001.SZ   8.88  8.846667 
2018-07-16  000001.SZ   8.73  8.830000 
2018-07-17  000001.SZ   8.72  8.776667 
2018-07-18  000001.SZ   8.70  8.716667 

还有一个常用的窗口函数是expanding，每增加一行数据，窗口会相应的增大。比如，我们想计算某只股票每天的累计涨跌幅，就可以调用此函数。

df = df[['ts_code', 'pct_chg']]  # 列pct_chg单位是(%) 
 
Out[71]:  
              ts_code  pct_chg 
trade_date                     
2018-07-02  000001.SZ    -5.28 
2018-07-03  000001.SZ     0.70 
2018-07-04  000001.SZ    -0.69 
2018-07-05  000001.SZ    -0.12 
2018-07-06  000001.SZ     0.70 
2018-07-09  000001.SZ     4.27 
2018-07-10  000001.SZ    -0.55 
2018-07-11  000001.SZ    -2.23 
2018-07-12  000001.SZ     2.78 
2018-07-13  000001.SZ     0.00 
2018-07-16  000001.SZ    -1.69 
2018-07-17  000001.SZ    -0.11 
2018-07-18  000001.SZ    -0.23 

对列'pct_chg'调用窗口函数expanding，再调用.sum()方法求累计值。

df['cum_pct_chg'] = df['pct_chg'].expanding().sum() 
df 
Out[78]:  
              ts_code  pct_chg  cum_pct_chg 
trade_date                                  
2018-07-02  000001.SZ    -5.28        -5.28 
2018-07-03  000001.SZ     0.70        -4.58 
2018-07-04  000001.SZ    -0.69        -5.27 
2018-07-05  000001.SZ    -0.12        -5.39 
2018-07-06  000001.SZ     0.70        -4.69 
2018-07-09  000001.SZ     4.27        -0.42 
2018-07-10  000001.SZ    -0.55        -0.97 
2018-07-11  000001.SZ    -2.23        -3.20 
2018-07-12  000001.SZ     2.78        -0.42 
2018-07-13  000001.SZ     0.00        -0.42 
2018-07-16  000001.SZ    -1.69        -2.11 
2018-07-17  000001.SZ    -0.11        -2.22 
2018-07-18  000001.SZ    -0.23        -2.45 

04、总结

本文介绍了Pandas库中处理时间序列数据的几种常用方法。

在时间格式转换部分，介绍了两种将时间转化成日期类型的方法，分别是通过设置参数parse_dates和调用方法pd.to_datetime()。

接着，介绍了时间周期的转换，通过调用.resample()方法实现，包括降采样和升采样。

最后，介绍两个常用的窗口函数rolling和expanding。

希望大家能灵活掌握本文中提到的方法，并应用到实际工作和学习中去!

译者简介：

Little monster，北京第二外国语学院国际商务专业研一在读，目前在学习Python编程和量化投资相关知识。