数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究如何使用DateTime创建序列？
Pandas 的常见数据之一是日期时间，Pandas 有一套不同的功能来执行任何与处理日期时间数据相关的任务。
Pandas 具有 date_range 函数，用于按特定顺序生成日期序列，同时它还有许多其他函数可以处理这些日期时间数据。
我们可以使用日期时间数据创建 Pandas Series 对象，让我们看一个使用日期时间值创建 Pandas Series 的示例。
示例
import pandas as pd
# creating range sequence of dates
dates = pd.date_range('2021-06-14', periods=5, freq='D')
#creating pandas Series with date index
s = pd.Series(dates)
print (s)解释
首先，我们使用 Python 的 import 关键字将 Pandas 模块导入到我们的工作区中，然后我们使用 date_range 函数创建了一系列日期，并将这些日期存储在一个名为 dates 的变量中。
我们将此 dates 变量发送到 Pandas Series 构造函数，它将创建一个类似于以下输出的 Pandas Series 对象。
输出
0 2021-06-14 1 2021-06-15 2 2021-06-16 3 2021-06-17 4 2021-06-18 dtype: datetime64[ns]
生成的 Pandas Series 对象可以在上面的代码块中看到，它包含从 2021-06-14 到 2021-06-18 的一系列日期。在代码块中，我们根据输入定义了开始日期和周期为 5，生成了这 5 组日期。索引值是从 0 到 4 自动创建的值。
示例
import pandas as pd
import numpy as np
# creating range sequence of dates
date = pd.date_range('2021-06-14', periods=5, freq='D')
#creating pandas Series with date index
s = pd.Series(np.random.randn(len(date)), index=date)
print (s)解释
在上面的示例中，我们创建了一个 Pandas Series，其中 DateTime 作为索引值，Series 数据是由 NumPy 随机函数生成的某些随机数。
为了实现这一点，我们首先导入了所需的包，即 Pandas 和 NumPy。之后，我们使用 Pandas data_range 函数生成了日期。使用这些日期，我们创建了一个 Pandas Series，索引值为我们的日期，数据为随机值。
输出
2021-06-14 0.701791 2021-06-15 -1.731610 2021-06-16 -3.377266 2021-06-17 -0.138523 2021-06-18 -0.160986 Freq: D, dtype: float64
日期是索引标签，值是随机数，这里我们可以看到 Series 数据（值）的 dtype 为 float64，而 Freq: D 表示我们的索引标签的频率。
2K+ 次浏览
