时间序列数据分析相关知识

目录

字符串和datetime的相互转换

datetime->str

str->datetime

pandas常用的时间序列处理方法

 创建日期范围

 以月份为索引进行切片

使用before和after进行切片

 tseries时间序列创建偏移量

shift 移动数据

使用resample进行重采样

滑动窗口rolling

ARIMA：时序模型 

需要导入的各种库

diff做差分使数据变得平稳

 使用statsmodels库中的plot_acf和plot_pacf直接绘制自相关函数和偏自相关函数

训练拟合模型 

使用训练的模型进行预测 

---

 （以下内容为个人学习整理）

• 字符串和datetime的相互转换

datetime->str

str()可以强制转换

datetime.strftime() 需要指定时间表示的形式，必须指定转换成的格式和分隔符

str->datetime

datetime.strptime() 需要指定时间表示的形式，必须指定转换成的格式和分隔符

dateutil.parser.parser() 可以解析大部分时间表示形式，如果第一个数字在月份范围之间

pd.to_datetime() 经常用于处理Series，其中含有缺失值和空字符串的时候也可以正常运行

• pandas常用的时间序列处理方法

 创建日期范围

 

 以月份为索引进行切片

使用before和after进行切片

 tseries时间序列创建偏移量

shift 移动数据

pandas中的shift()方法对数据进行移动的 *** 作_爱打羽毛球的小怪兽的博客-CSDN博客_pandas中shift

使用resample进行重采样

datetime数据类型——min()获取最早日期、date_range()创建日期范围、Timestamp()创建时间戳、tz()时区变换_爱打羽毛球的小怪兽的博客-CSDN博客_tz时区

滑动窗口rolling

以下示例程序会在自动生成按顺序临近的五个的平均值，由于windows设置为5，因此前四个没有数据，center为false默认从最左边开始

 

• ARIMA：时序模型 

需要导入的各种库

diff做差分使数据变得平稳

一般情况下一阶或二阶可以达到平稳，阶数过多容易忽略特征

 使用statsmodels库中的plot_acf和plot_pacf直接绘制自相关函数和偏自相关函数

 

训练拟合模型 

使用训练的模型进行预测