### Pandas 中日期和时间工具的使用 Pandas 提供了一套强大的功能来处理日期和时间数据。这些功能不仅适用于简单的日期操作，还支持复杂的时间序列分析。 #### 创建日期范围 可以利用 `pd.date_range` 函数创建一系列连续的日期或时间戳对象[^1]。 ```python import pandas as pd date_range = pd.date_range(start="2023-01-01", end="2023-01-10", freq='D') print(date_range) ``` #### 转换字符串到日期 通过 `pd.to_datetime` 方法可将字符串转换成日期格式[^2]。 ```python dates_str = ['2023-01-01', '2023-01-02'] dates_dt = pd.to_datetime(dates_str, format='%Y-%m-%d') print(dates_dt) ``` #### 处理时区 Pandas 支持带有时区信息的操作，这可以通过 `.tz_localize()` 和 `.tz_convert()` 来实现[^3]。 ```python time_series = pd.Series(pd.date_range('2023-01-01', periods=3, freq='H')) localized_time_series = time_series.dt.tz_localize('UTC').dt.tz_convert('US/Eastern') print(localized_time_series) ``` #### 周期索引与偏移量 周期性数据可以用 PeriodIndex 表达，并且能够应用各种频率调整（offsets）[^4]。 ```python period_index = pd.period_range(start='2023Q1', periods=4, freq='Q') print(period_index) ``` #### 数据重采样 对于时间序列数据，经常需要改变其频率或者聚合统计值，这时可以采用 resample() 方法[^5]。 ```python df = pd.DataFrame({'value': range(6)}, index=pd.date_range('2023-01-01', periods=6, freq='T')) resampled_df = df.resample('3T').mean() print(resampled_df) ``` #### 缺失值填充与时序插补 针对含有缺失值得时间序列，提供前向填充、后向填充以及线性插值等方式填补空白[^6]。 ```python ts_with_nan = pd.Series([0., 1., None], index=pd.date_range('2023-01-01', periods=3)) filled_ts = ts_with_nan.fillna(method='ffill') interpolated_ts = ts_with_nan.interpolate() print(filled_ts) print(interpolated_ts) ```