三个用于时间序列数据整理的Pandas函数

本文将演示 3 个处理时间序列数据最常用的 pandas 操作

首先我们要导入需要的库：

import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt

本文使用的数据集非常简单。它只有 1 列，名为 VPact (mbar)，表示气候中的气压。该数据集的索引是日期时间类型：

我们也可以应用 pd.to_datetime(df.index) 来制作日期时间类型的索引。

本地化时区

• 本地化是什么意思？

本地化意味着将给定的时区更改为目标或所需的时区。这样做不会改变数据集中的任何内容，只是日期和时间将显示在所选择的时区中。

• 为什么需要它？

如果你拿到的时间序列数据集是UTC格式的，而你的客户要求你根据例如美洲时区来处理气候数据。你就需要在将其提供给模型之前对其进行更改，因为如果您不这样做模型将生成的结果将全部基于UTC。

• 如何修改

只需要更改数据集的索引部分

df.index = df.index.tz_localize("UTC")

看看下面的结果：

数据集的索引部分发生变化。日期和时间和以前一样，但现在它在最后显示+00:00。这意味着pandas现在将索引识别为UTC时区的时间实例。

现在我们可以专注于将UTC时区转换为我们想要的时区。

df.index = df.index.tz_convert("Asia/Qatar")

现在我们的时区已经改变到卡塔尔时区+03:00。

时间窗口重采样

在本节中将研究如何根据时间间隔来预测时间序列数据。

• 这是什么意思？

这意味着收集一定范围的目标值（在本例中为蒸气压读数）并以某种方式概括它们，以便我们可以大致了解数据集中的趋势。我们可以通过取平均值、最大值、最小值等来概括假设一次读数的组。这里我们将5 个读数分成一组，也就是我们所说的时间窗口

• 我们为什么需要它？

我将用一个例子来解释这一点。假设客户的问题是：

“我给你我的气候传感器读数，每 10 分钟获取一次，我希望你告诉我每天对蒸气压的预测。也就是说，我想要对未来每一天的预测。”

现在你可能会说，这有什么大不了的？我们手上有一些读数，每 10 分钟读取一次，我们只需要预测每天的气压。

在我们开始工作之前，让我们先对器进行可视化：

fig, ax = plt.subplots(figsize=(15, 6))
 df['VPact (mbar)'].plot(ax=ax,xlabel='Time', ylabel='VPact (mbar)')

• 如何重采样

现在，我们重新采样数据集，并使其成为汇总数据的单行/记录。

resampled_df = df["VPact (mbar)"].resample("1D")

这可能看起来很奇怪，但它返回的是一个对象而不是一个DF。如果我们试图运行resampled_df.head()，它会抛出一个错误。这是因为虽然已经将它重新采样为每行一天，但我们还没有告诉它应该如何聚合一天窗口中出现的所有读数。

聚合的操作包括：最大值、最小值、平均值、众数?本文中我们取平均值。

resampled_df.mean()
 
 # OUTPUT:
 # Date Time
 # 2010-01-01 00:00:00+03:00     4.386905
 # 2010-01-02 00:00:00+03:00     3.954861
 # 2010-01-03 00:00:00+03:00     5.435417
 # 2010-01-04 00:00:00+03:00     5.129375
 # 2010-01-05 00:00:00+03:00   10.372361
 # Freq: D, Name: VPact (mbar), Length: 365, dtype: float64

我们还需要将其转换为df。

resampled_df = resampled_df.mean().to_frame()

时间索引从每分钟读数变为每天。我们再次可视化

fig, ax = plt.subplots(figsize=(15, 6))
 resampled_df['VPact (mbar)'].plot(ax=ax,xlabel='Time', ylabel='VPact (mbar)')

时间间隔小了很多，显示的也是每天的数据

填补时间空白

本节中将介绍如何填充数据中的时间间隔。

• 这是什么意思?

时间序列数据由是一段连续的时间产生的数据组成。如果在数据集中有一些缺失的数据会就会在时间间隔上产生裂缝

• 为什么需要它?

如果给模型提供有空白的数据，模型会立即崩溃，这是我们不想看到的。

让我们假设我们的数据集有一些空值序列。数据集看起来像这样:

fig, ax = plt.subplots(figsize=(15, 6))
 df_with_gap['VPact (mbar)'].plot(ax=ax,xlabel='Time', ylabel='VPact (mbar)')

• 如何填充空白

我们尝试各种各样的值来填补这一空白。但是没有一个是标准，因为所有的填充值都只是对实际值的广义猜测。

在这个的例子中，我只展示其中一种填充方法，其他的方法都与其类似。这里将使用正向填充法。这个方法遍历我数据集，并获取它在遇到空白之前读取的最后一个值，并用最后一个值填充整个空白。这个方法虽然简单，但在很多情况下还是有用的。

df_with_gap = df_with_gap['VPact (mbar)'].fillna(method="ffill")

我们还将它转换成一个DF。

df_with_gap = df_with_gap.to_frame()

现在让我们看看数据集。应该看一条完整的线，并且不包含空白的空间。

fig, ax = plt.subplots(figsize=(15, 6))
 df_with_gap['VPact (mbar)'].plot(ax=ax,xlabel='Time', ylabel='VPact (mbar)')

缺失的数据现在已经被补齐了。

总结

以上就是3个常用的时间数据处理的操作，希望对你有帮助。

本文源代码

​​https://www.kaggle.com/code/muhammadhammad02/wrangling-concepts-with-time-series-data​​