（13）Python初入坑之时间序列基础内容
本节介绍python的关于时间序列的基础内容。
一、时间序列的基础内容
在金融和经济学领域python已经承担起了很多任务，这得益于pandas对于时间序列的良好支持。现在在金融和数据分析的重要性正在强劲增长，金融和经济领域中实时分析也逐渐兴起，无论是出于监管还是投资决策还是金融产品的定价等等，这一切都离不开对于时间序列的分析。
pandas可以高效的处理非常大的时间序列。
首先我们熟悉一下python标准库中处理日期和时间的datetime模块。
datatime包中有很多模块，有date模块，time模块，datetime模块等等，我们从中引入datetime模块。datetime.now() 是返回当前的时间。2018年4月20日，20点，3分，54秒，339461微秒。
那我们也可以取出now的年月日。
如果我们想要知道两个日期之间的相隔时间，可以直接用两个时间相减。例如：
使用datetime将两个时间相减，2018年4月20日，减去2018年3月20日10点，得到一个timedelta数值，也就是时长数值，30天，50400秒。我们还能用days，seconds将天数和秒数单独取出来。
如果我们要给现有的时间加减某一个时长，需要再引入timedelta模块。
给2017年8月24日加上30天，得出的时间就是9月23日。
有的时候，日期是被保存成字符串的，关于日期在字符串和数值之间的转换，我们来探究一下。
把一个datetime型数据改变成字符串，可以采用以下几种方法：
通过str方法，把theday改变从一个精确到秒的字符串，这样可以统一输出成这种格式。
或者使用strftime函数进行变换。后面需要定义输出的格式，可以自由安排年月日的位置，大写Y则表示4位数格式的年份，小写y则只输出2位数。
那怎么把一个时间样式的字符串改变成时间的数值类型呢？使用strptime函数。
但是如果在pandas中，时间的解析就非常智能了。pandas可以使用to_datetime解析时间。
输出一个时间，则会识别成时间戳的格式。
如果输入一个列表，则会输出成一个index类型。数据类型是datetime64[ns]纳秒，是numpy类型。freq是指的时间间隔，我们后面会讲。
可以看出，to_datetime默认是按照月，日，年的格式识别。那如果我们要识别成2017年10月1日呢？也就是识别的时候需要按照日，月，年的格式识别。我们需要添加限定参数，dayfirst=True。
同时，中间的符号可以多样，/ - . 都可以，to_datetime都可以识别。
如何生成datetimeindex。
如何生成时间序列呢，我们下面做一个示范。
使用date_range() 可以生成连续的时间序列，填入起始时间和结束时间，以天为间隔。
我们也可以只输入起始时间或者结束时间，然后使用periods确定时间的时长。起始时间使用start表明。freq='D'就是指，间隔为天。
当然我们也可以使用结束时间end= 来表示结束之前多少天。
freq不设置的话，就会默认是D，即天。我们也可以单独设置freq的格式。
BM是指的每个月的最后一个工作日，则2017.01.01-2017.12.01就按照每个月的最后一个工作日隔开。“BM”代表business end of month。例如H是hour，M是month，D是day，A是year，也可以使用其他的值。
如果我们要以每个月的倒数第三个工作日进行分隔，可以像下面这样加上timedelta进行限定。定义好了index之后，减去timedelta(2)即可。
timedelta默认是天数，然后是秒数，如timedelta(2,10)是2天10秒，timedelta(2,36000)是2天10个小时。
上面的data_range都是默认某一天的0点0分，我们也可以细化到小时，分钟和秒。
这样时间就会细化到秒，那如果我们要忽略掉小时分钟和秒，只保留年月日呢，可以用normalize=True。
下面我们生成一个以时间序列作为索引的Series。
序列是时间序列，在计算的时候，也会自动对齐。
例如ts，和ts每两个取一个进行相加，匹配到了则求和，未匹配到则返回空值。关于[::2]是取Series中，每两个取一个，即隔一个取一个，切片的知识可以查看廖雪峰慕课网python入门的8-1节进行回顾。
时间序列的切片和索引
我们先创建一个时间序列索引的Series。然后进行取值。
然后可以用不同的格式取值，pandas可以自动识别。
比如我们还可以取2017年的所有数据，或者2017年某个月的数据。
也可以用和list切片的方法一样，取某阶段的值。
以上我们都是截取时间戳，即时间点，我们也可以截取一个时长，比如一年，这个时候就需要用period来进行分隔。例如下面，我们就截取2017年，分隔频率为每年的12月份，A为年，DEC为12月，所以p+2就是2019年的12月了。
那我们除了用daterange()来生成时间序列，也可以用period_range来生成时期序列。如下：
生成了时期序列，用月份隔开，每个都是单独的一个月，不是一个时间点。我们可以对比一些date_range。date_range则生成的是时间点。
