Pandas时间序列：我总结了8个时间处理技巧，轻松搞定日期数据分析

2026-03-01

大家好，我是正在实战各种AI项目的程序员晚枫。

今天学习时间序列数据处理，这是金融、销售、运营等领域必备的技能。

无论是分析日活趋势、计算同比环比，还是预测未来销量，都需要掌握时间序列的处理方法。

DatetimeIndex：时间索引

创建时间序列

import pandas as pd
import numpy as np

# 方式1：从字符串转换
dates = pd.to_datetime(['2024-01-01', '2024-01-02', '2024-01-03'])

# 方式2：生成日期范围
dates = pd.date_range(start='2024-01-01', periods=10, freq='D')  # 每日
dates = pd.date_range(start='2024-01-01', end='2024-12-31', freq='M')  # 每月
dates = pd.date_range(start='2024-01-01', periods=12, freq='MS')  # 每月初

# 常见频率
# D: 日历日, B: 工作日
# W: 周, M: 月末, MS: 月初
# Q: 季末, A: 年末
# H: 小时, T/min: 分钟, S: 秒

创建时间序列DataFrame

# 模拟销售数据
df = pd.DataFrame({
    '日期': pd.date_range('2024-01-01', periods=365, freq='D'),
    '销售额': np.random.randint(1000, 5000, 365)
})

# 设置为索引
df.set_index('日期', inplace=True)
print(df.head())

时间索引切片

# 按日期切片（超级方便！）
df['2024-01']        # 2024年1月所有数据
df['2024-01':'2024-03']  # 1月到3月
df['2024-01-15':'2024-01-20']  # 具体日期范围

# 按年份
df.loc['2024']       # 2024年全年

# 按月份
df.loc['2024-02']    # 2024年2月

提取时间组件

df['年'] = df.index.year
df['月'] = df.index.month
df['日'] = df.index.day
df['星期'] = df.index.dayofweek  # 0=周一, 6=周日
df['季度'] = df.index.quarter
df['是否周末'] = df.index.dayofweek >= 5

# 获取月初月末
df['月初'] = df.index.to_period('M').to_timestamp()
df['月末'] = df.index.to_period('M').to_timestamp(how='end')

重采样Resample

# 日数据转为月数据
monthly = df.resample('M').sum()      # 每月总和
monthly = df.resample('M').mean()     # 每月平均

# 周统计
weekly = df.resample('W').sum()       # 每周总和（周日结束）
weekly = df.resample('W-MON').sum()   # 每周一结束

# 季度统计
quarterly = df.resample('Q').sum()

# 常用聚合
stats = df.resample('M').agg({
    '销售额': ['sum', 'mean', 'max', 'min']
})

移动窗口计算

# 7天移动平均
df['MA7'] = df['销售额'].rolling(window=7).mean()

# 30天移动平均
df['MA30'] = df['销售额'].rolling(window=30).mean()

# 指数加权移动平均（更重视近期数据）
df['EMA'] = df['销售额'].ewm(span=7).mean()

# 其他窗口函数
df['7天总和'] = df['销售额'].rolling(window=7).sum()
df['7天标准差'] = df['销售额'].rolling(window=7).std()

滞后与差分

# 滞后1期（前一天的数据）
df['昨日销售'] = df['销售额'].shift(1)

# 滞后7期（上周同一天）
df['上周同日'] = df['销售额'].shift(7)

# 日环比
df['日环比'] = (df['销售额'] - df['昨日销售']) / df['昨日销售'] * 100

# 周同比
df['周同比'] = (df['销售额'] - df['上周同日']) / df['上周同日'] * 100

# 差分（相邻数据的差）
df['日增量'] = df['销售额'].diff()

实战：完整的销售时间分析

import pandas as pd
import numpy as np

# 生成一年的销售数据
np.random.seed(42)
dates = pd.date_range('2024-01-01', '2024-12-31', freq='D')
base_sales = 3000
trend = np.linspace(0, 1000, len(dates))  # 增长趋势
seasonal = 500 * np.sin(2 * np.pi * np.arange(len(dates)) / 365.25)  # 季节性
noise = np.random.normal(0, 200, len(dates))  # 随机波动

sales = base_sales + trend + seasonal + noise
sales = np.maximum(sales, 1000)  # 最小值1000

df = pd.DataFrame({'销售额': sales}, index=dates)

print("=== 时间序列分析报告 ===\n")

# 1. 基础统计
print("【年度概览】")
print(f"总销售额: ¥{df['销售额'].sum():,.0f}")
print(f"日均销售: ¥{df['销售额'].mean():,.0f}")
print(f"最高单日: ¥{df['销售额'].max():,.0f} ({df['销售额'].idxmax().date()})")
print(f"最低单日: ¥{df['销售额'].min():,.0f} ({df['销售额'].idxmin().date()})")

# 2. 月度趋势
print("\n【月度销售】")
monthly = df.resample('M')['销售额'].sum()
print(monthly)

# 3. 星期模式
print("\n【星期销售模式】")
df['星期'] = df.index.day_name()
weekly_pattern = df.groupby('星期')['销售额'].mean()
print(weekly_pattern)

# 4. 移动平均趋势
print("\n【7日移动平均（最近10天）】")
df['MA7'] = df['销售额'].rolling(7).mean()
print(df[['销售额', 'MA7']].tail(10))

# 5. 同比增长（假设有去年数据）
# df['去年今日'] = ...
# df['同比增长'] = (df['销售额'] - df['去年今日']) / df['去年今日']