Python时间序列分析教程_Pandas时间索引实践

Pandas时间序列分析的核心是将时间列设为DatetimeIndex索引——先用pd.to_datetime()转换类型，再用set_index()设为索引；此后asfreq()可对齐频率，resample()支持重采样聚合，shift()、rolling()等操作才能基于时间自动对齐与计算。

用Pandas做时间序列分析，核心是把时间变成索引——不是简单加一列日期，而是让DataFrame或Series真正“认出”这是时间，并能自动按日、月、季、年对齐、重采样、切片。关键在pd.to_datetime()和set_index()之后的asfreq()、resample()、shift()等操作才能生效。

把普通列转成真正的时间索引

常见错误是只调用pd.to_datetime()转换列，却没设为索引。必须两步到位：

• 先用df['date'] = pd.to_datetime(df['date'])确保类型是datetime64[ns]
• 再用df = df.set_index('date')——此时df.index才是DatetimeIndex，支持时间智能操作
• 检查是否成功：type(df.index)应返回pandas.core.indexes.datetimes.DatetimeIndex

按固定频率对齐数据（asfreq）

原始时间序列常有缺失日期（比如周末无交易）、不等间隔。用asfreq()可强制转为日频、月频等，并填入NaN或指定值：

• df.asfreq('D') → 转为日频，缺失日补NaN
• df.asfreq('M', fill_value=0) → 月末频，缺失月用0填充
• 注意：asfreq()不插值，只对齐；要插值用ffill、bfill或interpolate()

重采样与聚合（resample）

高频转低频（如分钟→小时）或低频转高频（如月→日），靠resample()。它必须作用于DatetimeIndex上：

• df.resample('W').mean() → 按自然周聚合，计算每组均值
• df.resample('MS').first() → 每月第一天（Month Start）取首条记录
• 支持闭区间控制：resample('M', closed='left')指定左闭右开
• 可传字典对不同列用不同聚合函数：resample('D').agg({'price': 'max', 'volume': 'sum'})

时间位移与滚动计算

时间索引启用shift()、diff()、rolling()等操作，语义清晰且自动对齐：

• df['price_shift1'] = df['price'].shift(1) → 自动按时间对齐，昨天的价格对今天行
• df['daily_return'] = df['price'].pct_change() → 相邻时间点百分比变化
• df.rolling('7D').mean() → 7天滑动窗口均值（非固定7行，而是7个自然日）
• df.rolling('30D').apply(lambda x: x.max() - x.min()) → 自定义滚动计算

时间索引不是装饰，是Pandas时间序列能力的地基。设对了索引，后续所有分析才自然、准确、少出错。