Pandas中的时间序列一般被认为是不规则的，也就是说，它们没有固定的频率。但是，它常常需要以某种相对固定的频率进行分析，比如每日、每月、每15分钟等（这样自然会在时间序列中引入缺失值）。Pandas有一套标准时间序列频率以及用于重采样、频率推断、生成固定频率日期范围等工具。

例如，可以将之前那个时间序列转换为一个具有固定频率（每日）的时间序列，只需调用resample即可：

生成日期范围

Pandas.date_range可用于生成指定长度的DatetimeIndex：

In [81]: index=pd.date_range('1/11/2019','1/24/2019')

In [82]: index

Out[82]:

DatetimeIndex(['2019-01-11', '2019-01-12', '2019-01-13', '2019-01-14',

'2019-01-15', '2019-01-16', '2019-01-17', '2019-01-18',

'2019-01-19', '2019-01-20', '2019-01-21', '2019-01-22',

'2019-01-23', '2019-01-24'],

dtype='datetime64[ns]', freq='D')

默认情况下，date_range会产生按天计算的时间点。如果只传入起始或结束日期，那就得传入一个表示一段时间的数字：

In [86]: pd.date_range(start='1/11/2019',periods=20)

Out[86]:

DatetimeIndex(['2019-01-11', '2019-01-12', '2019-01-13', '2019-01-14',

'2019-01-15', '2019-01-16', '2019-01-17', '2019-01-18',

'2019-01-19', '2019-01-20', '2019-01-21', '2019-01-22',

'2019-01-23', '2019-01-24', '2019-01-25', '2019-01-26',

'2019-01-27', '2019-01-28', '2019-01-29', '2019-01-30'],

dtype='datetime64[ns]', freq='D')

In [87]: pd.date_range(end='1/11/2019',periods=20)

Out[87]:

DatetimeIndex(['2018-12-23', '2018-12-24', '2018-12-25', '2018-12-26',

'2018-12-27', '2018-12-28', '2018-12-29', '2018-12-30',

'2018-12-31', '2019-01-01', '2019-01-02', '2019-01-03',

'2019-01-04', '2019-01-05', '2019-01-06', '2019-01-07',

'2019-01-08', '2019-01-09', '2019-01-10', '2019-01-11'],

dtype='datetime64[ns]', freq='D')

起始和结束日期定义了日期索引的严格边界。传入“BM”（每月最后一个工作日）频率。

In [89]: pd.date_range('1/1/2019','12/30/2019',freq='BM')

Out[89]:

DatetimeIndex(['2019-01-31', '2019-02-28', '2019-03-29', '2019-04-30',

'2019-05-31', '2019-06-28', '2019-07-31', '2019-08-30',

'2019-09-30', '2019-10-31', '2019-11-29'],

dtype='datetime64[ns]', freq='BM')

date_range默认会保留起始和结束时间戳的时间信息（如果有的话）：

In [90]: pd.date_range('1/1/2019 12:56:00',periods=20)

Out[90]:

DatetimeIndex(['2019-01-01 12:56:00', '2019-01-02 12:56:00',

'2019-01-03 12:56:00', '2019-01-04 12:56:00',

'2019-01-05 12:56:00', '2019-01-06 12:56:00',

'2019-01-07 12:56:00', '2019-01-08 12:56:00',

'2019-01-09 12:56:00', '2019-01-10 12:56:00',

'2019-01-11 12:56:00', '2019-01-12 12:56:00',

'2019-01-13 12:56:00', '2019-01-14 12:56:00',

'2019-01-15 12:56:00', '2019-01-16 12:56:00',

'2019-01-17 12:56:00', '2019-01-18 12:56:00',

'2019-01-19 12:56:00', '2019-01-20 12:56:00'],

dtype='datetime64[ns]', freq='D')

被规范化（normalize）的午夜时间戳。Normalize选项即可实现该功能：

In [91]: pd.date_range('1/1/2019 12:56:00',periods=20,normalize=True)

Out[91]:

DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04',

'2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08',

'2019-01-09', '2019-01-10', '2019-01-11', '2019-01-12',

'2019-01-13', '2019-01-14', '2019-01-15', '2019-01-16',

'2019-01-17', '2019-01-18', '2019-01-19', '2019-01-20'],

dtype='datetime64[ns]', freq='D')

频率和日期偏移量

Pandas中的频率是由一个基础频率和一个乘数组成的。基础频率通常以一个字符串别名表示，比如“M”表示每月，“H”表示每小时。对于每个基础频率，都有一个被称为日期偏移量（date offset）的对象与之对应。例如，按小时计算的频率可以Hour类表示：

In [92]: from pandas.tseries.offsets import Hour,Minute

In [93]: hour=Hour()

In [94]: hour

Out[94]: <Hour>

传入一个整数即可定义偏移量的倍数：

In [95]: four_hour=Hour(4)

In [96]: four_hour

Out[96]: <4 * Hours>

在基础频率前面放上一个整数即可创建倍数：

In [97]: pd.date_range('1/1/2019 12:56','1/2/2019 12:56',freq='4h')

Out[97]:

DatetimeIndex(['2019-01-01 12:56:00', '2019-01-01 16:56:00',

'2019-01-01 20:56:00', '2019-01-02 00:56:00',

'2019-01-02 04:56:00', '2019-01-02 08:56:00',

'2019-01-02 12:56:00'],

dtype='datetime64[ns]', freq='4H')

大部分偏移量对象都可通过加法进行连接：

In [99]: Hour(2)+Minute(30)

Out[99]: <150 * Minutes>

同理，也可以传入频率字符串（如‘2h30min’），这种字符串可以被高效地解析为等效的表达式：

In [100]: pd.date_range('1/1/2019',periods=10,freq='1h30min')

Out[100]:

DatetimeIndex(['2019-01-01 00:00:00', '2019-01-01 01:30:00',

'2019-01-01 03:00:00', '2019-01-01 04:30:00',

'2019-01-01 06:00:00', '2019-01-01 07:30:00',

'2019-01-01 09:00:00', '2019-01-01 10:30:00',

'2019-01-01 12:00:00', '2019-01-01 13:30:00'],

dtype='datetime64[ns]', freq='90T')

WOM日期

WOM（Week of Month）是一种非常实用的频率类，它以WOM开头。它使你能获得诸如“每月第3个星期五”之类的日期：

In [102]: rng=pd.date_range('1/1/2019','11/2/2019',freq='WOM-3fri')

In [103]: rng

Out[103]:

DatetimeIndex(['2019-01-18', '2019-02-15', '2019-03-15', '2019-04-19',

'2019-05-17', '2019-06-21', '2019-07-19', '2019-08-16',

'2019-09-20', '2019-10-18'],

dtype='datetime64[ns]', freq='WOM-3FRI')

In [104]: list(rng)

Out[104]:

[Timestamp('2019-01-18 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-02-15 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-03-15 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-04-19 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-05-17 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-06-21 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-07-19 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-08-16 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-09-20 00:00:00', freq='WOM-3FRI'),

Timestamp('2019-10-18 00:00:00', freq='WOM-3FRI')]

「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」

「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」