目录

一、用法精讲

301、pandas.Series.dt.components属性

301-1、语法

301-2、参数

301-3、功能

301-4、返回值

301-5、说明

301-6、用法

301-6-1、数据准备

301-6-2、代码示例

301-6-3、结果输出

302、pandas.Series.dt.to_pytimedelta方法

302-1、语法

302-2、参数

302-3、功能

302-4、返回值

302-5、说明

302-6、用法

302-6-1、数据准备

302-6-2、代码示例

302-6-3、结果输出

303、pandas.Series.dt.total_seconds方法

303-1、语法

303-2、参数

303-3、功能

303-4、返回值

303-5、说明

303-6、用法

303-6-1、数据准备

303-6-2、代码示例

303-6-3、结果输出

304、pandas.Series.str.capitalize方法

304-1、语法

304-2、参数

304-3、功能

304-4、返回值

304-5、说明

304-6、用法

304-6-1、数据准备

304-6-2、代码示例

304-6-3、结果输出

305、pandas.Series.str.casefold方法

305-1、语法

305-2、参数

305-3、功能

305-4、返回值

305-5、说明

305-6、用法

305-6-1、数据准备

305-6-2、代码示例

305-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

301、pandas.Series.dt.components属性

301-1、语法

<code># 301、pandas.Series.dt.components属性

pandas.Series.dt.components

Return a Dataframe of the components of the Timedeltas.

Returns:

DataFrame

301-2、参数

        无

301-3、功能

        从一个时间序列对象中提取项的各个部分，如年份、月份、日、小时、分钟、秒、毫秒、微秒、纳秒等。

301-4、返回值

        返回一个DataFrame，其中每一列代表时间序列的一个组成部分。

301-5、说明

        使用场景：

301-5-1、财务数据分析：在金融数据分析中，通常需要对日期进行分解，以便按年、月、日、季度等进行聚合和分析。例如，按季度计算股票平均价格。

301-5-2、运营数据分析：在运营数据分析中，可以根据时间的不同组成部分对数据进行拆分和聚合。例如，按周统计网站访问量。

301-5-3、机器学习中的特征工程：在机器学习的特征工程中，时间序列数据的不同组成部分可以作为特征，以提高模型的性能。例如，构建包含时间特征的机器学习数据集。

301-5-4、物流和供应链管理：在物流和供应链管理中，可以根据时间的不同组成部分优化运输和库存管理。例如，根据小时分析仓库入库量。

301-5-5、电商数据分析：在电商平台的数据分析中，可以根据时间的不同组成部分分析销售趋势和用户行为。例如，按月统计商品销售量。

301-6、用法

301-6-1、数据准备

无

301-6-2、代码示例

# 301、pandas.Series.dt.components属性

# 301-1、按季度计算股票平均价格

import pandas as pd

# 创建示例数据

date_range = pd.date_range(start='2024-01-01', periods=100, freq='D')code>

stock_prices = pd.Series(range(100), index=date_range)

df = pd.DataFrame({'date': date_range, 'price': stock_prices})

# 提取日期各部分

df['quarter'] = df['date'].dt.quarter

# 按季度计算平均价格

quarterly_avg_price = df.groupby('quarter')['price'].mean()

print(quarterly_avg_price, end='\n\n')code>

# 301-2、按周统计网站访问量

import pandas as pd

# 创建示例数据

date_range = pd.date_range(start='2024-01-01', periods=30, freq='D')code>

visit_counts = pd.Series(range(30), index=date_range)

df = pd.DataFrame({'date': date_range, 'visits': visit_counts})

# 提取日期各部分

df['week'] = df['date'].dt.isocalendar().week

# 按周统计访问量

weekly_visits = df.groupby('week')['visits'].sum()

print(weekly_visits, end='\n\n')code>

# 301-3、构建包含时间特征的机器学习数据集

import pandas as pd

# 创建示例数据

date_range = pd.date_range(start='2024-01-01', periods=50, freq='h')code>

values = pd.Series(range(50), index=date_range)

df = pd.DataFrame({'datetime': date_range, 'value': values})

# 提取日期时间各部分

df['year'] = df['datetime'].dt.year

df['month'] = df['datetime'].dt.month

df['day'] = df['datetime'].dt.day

df['hour'] = df['datetime'].dt.hour

df['weekday'] = df['datetime'].dt.weekday

print(df.head(), end='\n\n')code>

# 301-4、根据小时分析仓库入库量

import pandas as pd

# 创建示例数据

date_range = pd.date_range(start='2024-01-01', periods=24, freq='h')code>

inbound_quantities = pd.Series(range(24), index=date_range)

df = pd.DataFrame({'datetime': date_range, 'quantity': inbound_quantities})

# 提取时间各部分

df['hour'] = df['datetime'].dt.hour

# 按小时统计入库量

hourly_inbound = df.groupby('hour')['quantity'].sum()

print(hourly_inbound, end='\n\n')code>

# 301-5、按月统计商品销售量

import pandas as pd

# 创建示例数据

date_range = pd.date_range(start='2024-01-01', periods=100, freq='D')code>

sales_quantities = pd.Series(range(100), index=date_range)

df = pd.DataFrame({'date': date_range, 'sales': sales_quantities})

# 提取日期各部分

df['month'] = df['date'].dt.month

# 按月统计销售量

monthly_sales = df.groupby('month')['sales'].sum()

print(monthly_sales, end='\n\n')code>

# 301-6、网站每日访问量分析(可视化)

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

# 生成日期范围

date_range = pd.date_range(start='2024-07-01', end='2024-07-31', freq='D')code>

# 模拟每日访问量数据

np.random.seed(42)

visits = np.random.poisson(lam=100, size=len(date_range))

# 创建数据框

df = pd.DataFrame({'date': date_range, 'visits': visits})

print(df.head())

# 设置图形大小

plt.figure(figsize=(12, 6))

# 绘制时间序列图

plt.plot(df['date'], df['visits'], marker='o', linestyle='-', color='b', label='Daily Visits')code>

plt.scatter(df['date'], df['visits'], color='red') # 设置数据点为红色code>

# 添加标题和标签

plt.title('Daily Website Visits in July 2024')

plt.xlabel('Date')

plt.ylabel('Number of Visits')

plt.xticks(rotation=15)

plt.grid(True)

# 添加平均线

average_visits = df['visits'].mean()

plt.axhline(y=average_visits, color='r', linestyle='--', label=f'Average Visits ({average_visits:.1f})')code>

# 添加图例

plt.legend()

# 显示图形

plt.tight_layout()

# 显示数据标签并设置为红色

for i in range(len(df)):

plt.annotate(text=str(df['visits'][i]), xy=(df['date'][i], df['visits'][i]),

xytext=(-5, 5), textcoords='offset points', ha='center', va='bottom', color='red', fontweight='bold')code>

plt.show()

301-6-3、结果输出