人工智能:python 实现 第十一章,使用Pandas处理时间序列数据
2018-02-28 20:28
971 查看
使用Pandas处理时间序列数据
让我们开始学习如何使用Pandas处理时间数据。在本节中,我们会将一队数字转换为时间序列和可视化。Pandas提供了添加时间戳,组织数据等选项,之后可以高效的操作它。创建一个新的python文档,完整代码如下:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#定义函数读入数据,参数index 代表包含相关数据的列数
def read_data(input_file,index):
input_data = np.loadtxt(input_file,delimiter=',')
#定义一个lambda函数将string转换为Pandas日期格式
to_date = lambda x,y:str(int(x))+'-'+str(int(y))
#提取起始时间
start = to_date(input_data[0,0],input_data[0,1])
#提取结束时间
if input_data[-1,1]==12:
year = input_data[-1,0]+1
month = 1
else:
year = input_data[-1,0]
month = input_data[-1,1]+1
end = to_date(year,month)
#创建一个时间列表
date_indices = pd.date_range(start,end,freq='M')
#添加时间戳到输入数据来创建时间序列数据
output = pd.Series(input_data[:,index],index = date_indices)
return output
#定义主函数
if __name__ == '__main__':
#输入文档名
input_file = 'data_2D.txt'
#指定需要转换的列数
indice = [2,3]
#迭代输入列数 并画出数据
for index in indice:
#将行转换为时间序列
timeseries = read_data(input_file,index)
#绘制数据
plt.figure()
timeseries.plot()
plt.title('Dimension'+str(index - 1))
plt.show();
运行结果如下:
数据在第一维的显示:
数据在第二维显示:
相关文章推荐
- 人工智能:python 实现 第十一章,时间序列数据分片
- 人工智能:python 实现 第十一章,从时间序列数据中提取统计信息
- 人工智能:python 实现 第十一章 使用CRF识别字母序列
- 人工智能:python 实现 第十一章,使用隐马尔科夫模型生成数据
- 人工智能:python 实现 第十一章,序列数据的概率推理介绍
- Python+pandas实现时间序列数据扩展案例一则
- 人工智能:python 实现 第十一章,操作时间序列
- pandas io tools(使用python处理数据时候经常用到)
- 数据预处理(1) ——数据清洗 使用python(sklearn,pandas,numpy)实现
- [置顶] 【python 处理亿级数据】使用 Pandas 处理亿级数据
- 数据预处理(2) ——数据变换与数据离散化 使用python(sklearn,pandas,numpy)实现
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- python使用pandas实现数据分割实例代码
- 使用Python Pandas处理亿级数据
- 使用Python Pandas处理亿级数据
- pandas io tools(使用python处理数据时候经常用到)读csv,TXT
- 数据预处理(3) ——数据归约 使用python(sklearn,pandas,numpy)实现
- Python使用arrow库优雅地处理时间数据详解
- python pd.crosstab在处理时间序列文本数据的用处