Pandas时间序列基础

数据分析专题 · 日期时间数据处理

专题：Python数据分析系统学习

关键词：Pandas, 时间序列, DatetimeIndex, date_range, 时区, 频率, dateutil, 偏移

一、时间序列概述

时间序列（Time Series）是数据分析中最常见的数据类型之一。无论是金融市场的股价波动、电商平台的日销售额、气象站的温度记录，还是服务器的CPU使用率监控，几乎所有的数据采集场景都离不开时间维度。Pandas作为Python数据分析的核心库，提供了强大而灵活的时间序列处理能力，涵盖日期解析、范围生成、索引操作、频率变换、时区处理和日期偏移计算等方方面面。

Pandas的时间序列功能构建在以下三个核心数据类型之上：Timestamp（时间戳，即单个时间点）、Timedelta（时间差，表示两个时间点之间的间隔）和Period（时间区间，如某个月或某个季度）。其中DatetimeIndex是最常用的时间索引类型，它本质上是由多个Timestamp对象组成的索引，支持丰富的日期属性访问和高效的切片操作。

本笔记将系统梳理Pandas时间序列处理的核心API和方法，从基础的日期解析到高级的时区处理和偏移量计算，涵盖实际数据分析和特征工程中最常用的技术点。

前置知识：本文假设读者已掌握Pandas基础操作（DataFrame、Series的创建与访问）。建议先安装pandas库（pip install pandas），并确保版本不低于1.0以获得完整的时间序列功能支持。

二、日期解析

现实世界中的数据通常以字符串形式存储日期和时间，例如"2024-01-15"或"2024/01/15 14:30:00"。将这些字符串转换为Pandas可识别的日期时间对象是时间序列分析的第一步。

2.1 使用 pd.to_datetime()

to_datetime()是Pandas中最核心的日期解析函数，可以处理单个字符串、字符串列表、Series或DataFrame列。它支持多种日期格式的自动推断。

# 解析单个字符串 pd.to_datetime('2024-01-15') # 输出: Timestamp('2024-01-15 00:00:00') # 解析字符串列表 pd.to_datetime(['2024-01-15', '2024-02-20', '2024-03-10']) # 输出: DatetimeIndex(['2024-01-15', '2024-02-20', '2024-03-10'], dtype='datetime64[ns]') # 解析不同格式的日期字符串 pd.to_datetime('2024/01/15') # 斜杠分隔 pd.to_datetime('15-01-2024') # 日-月-年 pd.to_datetime('20240115') # 紧凑格式 pd.to_datetime('2024-01-15 14:30:00') # 包含时间

2.2 在读取文件时使用 parse_dates

当使用pd.read_csv()等函数读取外部数据文件时，通过parse_dates参数可以自动解析日期列，这是最高效的方式。

# 自动解析指定列为日期类型 df = pd.read_csv('sales.csv', parse_dates=['date', 'order_time']) # 将多列组合解析为日期（年、月、日分开存储时很有用） df = pd.read_csv('sales.csv', parse_dates={'date': ['year', 'month', 'day']}) # 将日期列作为索引（最常用的方式） df = pd.read_csv('stock.csv', index_col='date', parse_dates=True)

parse_dates=True会让Pandas自动检测所有可以解析为日期的列，但这种方式不够精确，建议明确指定需要解析的列名。

2.3 使用 date_parser 参数自定义解析

当日期格式特殊且Pandas的自动解析无法正确处理时，可以通过date_parser参数传入自定义的解析函数。该函数接收一个字符串列表并返回解析后的日期对象列表。

# 自定义日期解析器——处理非标准格式 from datetime import datetime custom_parser = lambda x: datetime.strptime(x, '%Y/%m/%d-%H:%M:%S') df = pd.read_csv('data.csv', parse_dates=['timestamp'], date_parser=custom_parser) # 使用dateutil库处理更灵活的格式 from dateutil.parser import parse as dateutil_parse df = pd.read_csv('data.csv', parse_dates=['datetime'], date_parser=dateutil_parse)

2.4 errors 参数处理异常情况

实际数据中经常混入非法日期值，如"2024-02-30"（2月没有30日）或完全不可解析的文本。errors参数提供了三种处理策略。

# errors='raise'：遇到错误时抛出异常（默认行为） pd.to_datetime('2024-02-30', errors='raise') # 抛出: OutOfBoundsDatetime: Out of bounds nanosecond timestamp: ... # errors='coerce'：将无法解析的值设为NaT（Not a Time） pd.to_datetime('2024-02-30', errors='coerce') # 输出: NaT # errors='ignore'：保持原样返回（通常是字符串或数值） pd.to_datetime('2024-02-30', errors='ignore') # 输出: '2024-02-30'（字符串原样返回） # 实用技巧：批量处理时用coerce保护管道 dates = pd.Series(['2024-01-15', 'invalid_date', '2024-03-10']) pd.to_datetime(dates, errors='coerce') # 输出: # 0 2024-01-15 # 1 NaT # 2 2024-03-10 # dtype: datetime64[ns]

注意事项：Pandas的时间精度为纳秒（nanosecond），因此支持的时间范围约为1677年至2262年。超出此范围的时间戳会导致OutOfBoundsDatetime错误，这时可以考虑使用errors='coerce'进行处理，或转换为其他表示方式。

三、日期范围生成

在时间序列分析中，经常需要生成等间隔的日期序列，用于重采样、填充缺失日期或创建模拟数据集。Pandas提供了三个核心函数来生成不同类型的日期范围。

3.1 pd.date_range() 生成日期序列

date_range生成等间隔的时间戳序列，返回DatetimeIndex。可以通过start/end指定起止时间，或通过start+periods指定起始时间和长度，二者至少提供一组。

# 指定起止日期（默认频率为天） pd.date_range(start='2024-01-01', end='2024-01-10') # 输出: DatetimeIndex(['2024-01-01', '2024-01-02', ..., '2024-01-10']) # 指定起始日期和长度 pd.date_range(start='2024-01-01', periods=5) # 输出: DatetimeIndex(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04', '2024-01-05']) # 指定结束日期和长度 pd.date_range(end='2024-01-10', periods=5) # 输出: DatetimeIndex(['2024-01-06', '2024-01-07', ..., '2024-01-10']) # 包含时间信息的日期范围 pd.date_range('2024-01-01 08:00', '2024-01-01 12:00', freq='h') # 输出: DatetimeIndex(['2024-01-01 08:00:00', '2024-01-01 09:00:00', ..., '2024-01-01 12:00:00'])

3.2 pd.period_range() 生成时间区间

与date_range返回时间戳不同，period_range返回PeriodIndex，表示固定的时间区间，如"2024年1月"或"2024年第1季度"。这在财务分析和报表统计中非常有用。

# 按月生成区间 pd.period_range(start='2024-01', periods=6, freq='M') # 输出: PeriodIndex(['2024-01', '2024-02', ..., '2024-06'], dtype='period[M]') # 按季度生成 pd.period_range('2024Q1', '2025Q4', freq='Q') # 输出: PeriodIndex(['2024Q1', '2024Q2', ..., '2025Q4'], dtype='period[Q-DEC]') # 按年生成 pd.period_range('2020', '2025', freq='Y') # 输出: PeriodIndex(['2020', '2021', '2022', '2023', '2024', '2025'], dtype='period[A-DEC]')

3.3 pd.bdate_range() 生成工作日序列

bdate_range专门生成工作日（周一至周五）序列，自动跳过周末。适合股票市场、财务结算等只考虑工作日的场景。

# 生成2024年1月的工作日 pd.bdate_range('2024-01-01', '2024-01-15') # 输出: DatetimeIndex(['2024-01-01', '2024-01-02', '2024-01-03', # '2024-01-04', '2024-01-05', '2024-01-08', # '2024-01-09', '2024-01-10', '2024-01-11', # '2024-01-12', '2024-01-15']) # 注意：1月6日(周六)、7日(周日)、13日(周六)、14日(周日)被自动跳过 # 指定自定义节假日（使用holidays参数） pd.bdate_range('2024-01-01', '2024-01-10', holidays=['2024-01-01']) # 元旦 # 输出: 跳过1月1日后的剩余工作日

三者对比：date_range适合精准到秒级的时间点序列；period_range适合聚合分析，如"某个月的销售总额"；bdate_range专门用于金融等行业的工作日日历。根据分析场景选择合适类型可以大幅简化后续代码。

3.4 freq 参数详解

freq参数决定了日期序列的间隔和步长，是date_range系列函数的核心参数。下表列出最常用的频率别名。

别名说明示例
D日历日'2024-01-01', '2024-01-02', ...
B工作日跳过周六周日
W每周（默认周日结束）W-MON表示周一结束的周
M月末'2024-01-31', '2024-02-29'
MS月初'2024-01-01', '2024-02-01'
Q季末（默认12月结束）'2024-03-31', '2024-06-30'
Y年末'2024-12-31', '2025-12-31'
h每小时'2024-01-01 00:00', '01:00', ...
BH工作小时9:00-17:00范围内的工作时间
T/min每分钟'2024-01-01 00:00', '00:01', ...
S每秒'2024-01-01 00:00:00', '00:00:01'
# freq组合使用——每3天 pd.date_range('2024-01-01', '2024-01-15', freq='3D') # 输出: DatetimeIndex(['2024-01-01', '2024-01-04', '2024-01-07', '2024-01-10', '2024-01-13']) # 每2个月 pd.date_range('2024-01-01', '2025-01-01', freq='2MS') # 输出: DatetimeIndex(['2024-01-01', '2024-03-01', '2024-05-01', ..., '2025-01-01']) # 每30分钟 pd.date_range('2024-01-01 09:00', '2024-01-01 17:00', freq='30T') # 输出: 9:00, 9:30, 10:00, ..., 17:00 共17个时间点

四、DatetimeIndex 索引

将DatetimeIndex设置为DataFrame的行索引后，可以充分利用Pandas的时间索引特性进行快速访问和切片。

4.1 年月日时分秒属性访问

DatetimeIndex支持通过.dt访问器或直接在Index上访问多个时间属性，对于特征提取非常方便。

# 创建带有时间索引的DataFrame dates = pd.date_range('2024-01-01', periods=5, freq='h') df = pd.DataFrame({'value': range(5)}, index=dates) # 提取各种时间属性 df['year'] = df.index.year df['month'] = df.index.month df['day'] = df.index.day df['hour'] = df.index.hour df['minute'] = df.index.minute df['second'] = df.index.second df['weekday'] = df.index.weekday # 0=周一, 6=周日 df['weekofyear'] = df.index.isocalendar().week # 年内第几周 df['dayofyear'] = df.index.dayofyear # 年内第几天 df['quarter'] = df.index.quarter # 第几季度 df['is_month_start'] = df.index.is_month_start df['is_month_end'] = df.index.is_month_end df['is_weekend'] = df.index.weekday >= 5 # 是否为周末 # 对于Series，需要通过.dt访问器 s = pd.Series(pd.date_range('2024-01-01', periods=3)) s.dt.year # => [2024, 2024, 2024] s.dt.month # => [1, 1, 1] s.dt.day # => [1, 2, 3]

实用技巧：在特征工程中，weekday和is_weekend属性常用于判断"星期效应"；hour属性可用于分析"时间效应"（如商场客流高峰时段）；quarter属性则广泛用于财务数据的季节性分析。

4.2 时间戳索引与切片

DatetimeIndex支持直接使用日期字符串进行索引和范围切片，这种语法非常直观。

# 创建示例数据：2024年1月的每日数据 dates = pd.date_range('2024-01-01', '2024-01-31', freq='D') df = pd.DataFrame({'value': range(31)}, index=dates) # 精确索引 df.loc['2024-01-15'] # 获取1月15日的数据 # 范围切片（半开区间，包含左边界不包含右边界） df.loc['2024-01-10':'2024-01-20'] # 1月10日至20日（含） # 按年月切片——自动匹配范围内所有日期 df.loc['2024-01'] # 获取整个1月的数据 # 按年月日时分秒切片 df.loc['2024-01-15 00:00:00':'2024-01-20 23:59:59'] # 使用 truncate 方法 df.truncate(before='2024-01-10', after='2024-01-20')

字符串切片之所以能按年月精准匹配，是因为Pandas内部对DatetimeIndex的字符串索引进行了智能推断——"2024-01"会被解释为"2024-01-01"到"2024-01-31"的完整范围。

五、时间频率与偏移

频率（Frequency）是时间序列的核心概念之一，决定了时间点之间的间隔规律。Pandas使用频率字符串（如'D'、'W'、'M'）和偏移量对象（DateOffset）来描述时间频率。

5.1 基础频率与组合频率

频率字符串可以添加数字前缀表示倍数，如'3D'表示每3天。还可以通过加法组合不同频率。

# 基础频率 pd.date_range('2024-01-01', periods=4, freq='W') # 每周（周日） pd.date_range('2024-01-01', periods=4, freq='W-MON') # 每周一 # 组合频率——每2天 + 每3小时 = 每2天零3小时 pd.date_range('2024-01-01', periods=4, freq='2D3h') # 输出: ['2024-01-01', '2024-01-03 03:00', '2024-01-05 06:00', '2024-01-07 09:00']

5.2 工作日偏移与自定义

BH（Business Hour）是工作小时偏移，默认指9:00-17:00的工作时段。结合CustomBusinessHour可以处理非标准的工作时间安排。

# 工作小时偏移（默认9:00-17:00） pd.date_range('2024-01-01 09:00', periods=4, freq='BH') # 输出: ['2024-01-01 09:00', '2024-01-01 10:00', '2024-01-01 11:00', '2024-01-01 12:00'] # 自定义工作小时（如8:00-12:00, 13:00-17:00） from pandas.tseries.offsets import CustomBusinessHour cbh = CustomBusinessHour(start='08:00', end='17:00') pd.date_range('2024-01-01 08:00', periods=6, freq=cbh)

5.3 自定义偏移量

当内置频率无法满足需求时，可以使用DateOffset创建任意偏移规则。DateOffset支持按年、月、周、日、小时、分钟等单位的灵活组合。

from pandas.tseries.offsets import DateOffset # 自定义偏移：每个月最后一个工作日 pd.date_range('2024-01-31', periods=4, freq=DateOffset(months=1)) # 输出: ['2024-01-31', '2024-02-29', '2024-03-31', '2024-04-30'] # 注意：自动处理了2月只有29天的问题 # 同时偏移多个单位 offset = DateOffset(days=10, hours=2, minutes=30) pd.Timestamp('2024-01-15 08:00') + offset # 输出: Timestamp('2024-01-25 10:30:00') # 负偏移——向前推算 pd.Timestamp('2024-02-01') - DateOffset(days=5) # 输出: Timestamp('2024-01-27 00:00:00')

六、时区处理

在全球化数据分析场景中，时区处理是不可避免的难题。Pandas提供了完整的时区支持，包括本地化（将无时区时间赋予时区信息）和转换（在不同时区之间切换）。

6.1 tz_localize：本地化

tz_localize用于将没有时区信息的时间戳（naive时间）赋予特定的时区。这是一个"贴标签"的过程，不会改变时间点本身。

# 创建一个无时区的时间序列 dates = pd.date_range('2024-01-01 08:00', periods=3, freq='D') print(dates.tz) # None —— 无时区信息 # 本地化为中国时区（UTC+8） dates_utc8 = dates.tz_localize('Asia/Shanghai') print(dates_utc8) # 输出: DatetimeIndex(['2024-01-01 08:00:00+08:00', ...], dtype='datetime64[ns, Asia/Shanghai]')

6.2 tz_convert：时区转换

tz_convert用于在已经有时区信息的时间戳之间进行转换，会真正改变显示的时间。

# 将上海时间转换为纽约时间 dates_ny = dates_utc8.tz_convert('America/New_York') print(dates_ny) # 输出: DatetimeIndex(['2023-12-31 19:00:00-05:00', ...]) # 说明：上海1月1日08:00 = 纽约12月31日19:00（冬令时，UTC-5） # UTC中转：先转UTC再转目标时区 dates_utc = dates_utc8.tz_convert('UTC') print(dates_utc) # 输出: DatetimeIndex(['2024-01-01 00:00:00+00:00', ...])

6.3 在 date_range 中直接指定时区

从创建时就指定时区是最为便捷的方式。date_range的tz参数可以在生成日期范围的同时赋予时区信息。

# 直接生成带时区的时间序列 dates_tz = pd.date_range('2024-01-01', periods=5, freq='D', tz='Asia/Shanghai') print(dates_tz) # 输出: DatetimeIndex(['2024-01-01 00:00:00+08:00', '2024-01-02 00:00:00+08:00', ...]) # 读取CSV时指定时区 df = pd.read_csv('data.csv', parse_dates=['timestamp']) df['timestamp'] = df['timestamp'].dt.tz_localize('UTC').dt.tz_convert('Asia/Shanghai')

常见错误：对已有时区信息的时间序列再次调用tz_localize会抛出"Already tz-aware"异常。必须先通过tz_convert转换，或使用tz=None移除时区信息后再本地化。另外，夏令时转换时可能出现重复或缺失的时间点（AmbiguousTimeError/NonExistentTimeError），需通过ambiguous和nonexistent参数处理。

6.4 常用时区名称

时区名称UTC偏移 (标准时)适用地区
Asia/ShanghaiUTC+8中国（北京时间）
Asia/TokyoUTC+9日本、韩国
America/New_YorkUTC-5美国东部
America/Los_AngelesUTC-8美国西部
Europe/LondonUTC+0英国（格林威治）
UTCUTC+0协调世界时

可以在Python中通过pytz.all_timezones查看所有支持的时区名称列表。

七、时间序列常用操作

Pandas为时间序列数据提供了专用的一组移位和差分操作，在金融分析和信号处理中极为常用。

7.1 shift()：数据移位

shift()将数据沿时间轴向前或向后移动。正数表示将数据向后推，相当于引用过去的值；负数表示将数据向前拉，相当于引用未来的值。

# 创建时间序列 dates = pd.date_range('2024-01-01', periods=5, freq='D') s = pd.Series([100, 102, 105, 103, 108], index=dates) # 滞后1期：相当于昨天 s_shifted = s.shift(1) # 输出: # 2024-01-01 NaN # 2024-01-02 100.0 # 2024-01-03 102.0 # 2024-01-04 105.0 # 2024-01-05 103.0 # 前移1期：相当于明天 s.shift(-1) # 计算"昨日收益率"的实用场景 returns = (s - s.shift(1)) / s.shift(1)

7.2 diff()：差分运算

diff()计算当前值与前n个时间点的差值，等价于s - s.shift(n)。diff(1)是逐期差分，可消除线性趋势。

# 一阶差分：当前值 - 上一个值 s.diff(1) # 输出: # 2024-01-01 NaN # 2024-01-02 2.0 (102-100) # 2024-01-03 3.0 (105-102) # 2024-01-04 -2.0 (103-105) # 2024-01-05 5.0 (108-103) # 二阶差分：在一阶差分基础上再差分 s.diff(2) # 季节差分：对周数据的周同比（lag=7） weekly_sales.diff(7) # 与上周同日对比

7.3 pct_change()：百分比变化

pct_change()计算当前值相比于前n个值的百分比变化率，是金融分析中的核心函数。

# 日收益率计算 s.pct_change(1) # 输出: # 2024-01-01 NaN # 2024-01-02 0.020000 (102-100)/100 = +2% # 2024-01-03 0.029412 (105-102)/102 ≈ +2.94% # 2024-01-04 -0.019048 (103-105)/105 ≈ -1.90% # 2024-01-05 0.048544 (108-103)/103 ≈ +4.85% # 周同比变化率（与7天前比较） daily_data.pct_change(7) # 累计收益率：从第一天开始的累计变化 (s / s.iloc[0] - 1).mul(100).round(2)

对比总结：shift是位移操作，保留量纲；diff是做减法，适合检查平稳性（ARIMA模型前置步骤）；pct_change是归一化比率，适合不同价格区间资产的横向对比。三者组合使用可以构建复杂的特征工程流程。

八、日期偏移计算

实际业务中经常需要计算多个日期之间的偏移量，或者找到相对于某个日期"下个月末"、"下一个工作日"之类的目标日期。Pandas提供了两种主要方案。

8.1 DateOffset 的应用

DateOffset是Pandas原生的偏移量类，支持与Timestamp和DatetimeIndex的算术运算。

from pandas.tseries.offsets import DateOffset, MonthEnd, MonthBegin, Week, BDay # 下个月末 pd.Timestamp('2024-01-15') + MonthEnd(0) # 当前月最后一天 # 输出: Timestamp('2024-01-31 00:00:00') pd.Timestamp('2024-01-15') + MonthEnd(1) # 下个月最后一天 # 输出: Timestamp('2024-02-29 00:00:00') # 下个周一 pd.Timestamp('2024-01-05') + Week(weekday=0) # 0=周一 # 往后数5个工作日 pd.Timestamp('2024-01-05') + BDay(5) # 输出: Timestamp('2024-01-12 00:00:00')（跳过周末） # 组合偏移：下个月第一个工作日 pd.Timestamp('2024-01-15') + MonthBegin(1) + BDay(0)

8.2 relativedelta 灵活计算

dateutil库的relativedelta提供了比DateOffset更灵活的参数，尤其适合计算"3个月后的同一天"、"下个月的第4个周五"等复杂场景。

from dateutil.relativedelta import relativedelta # 3个月后的同一天 pd.Timestamp('2024-01-31') + relativedelta(months=3) # 输出: Timestamp('2024-04-30 00:00:00') # 注意：4月只有30天，自动处理了边界情况 # 计算两个日期之间的差 d1 = pd.Timestamp('2024-06-15') d2 = pd.Timestamp('2024-01-10') rd = relativedelta(d1, d2) print(f"{rd.years}年{rd.months}月{rd.days}天") # 输出: 0年5月5天 # 结合Pandas使用：批量计算日期偏移 dates = pd.date_range('2024-01-01', periods=5, freq='MS') dates + relativedelta(months=1, days=15) # 在每个月初基础上加1个月15天

DateOffset vs relativedelta：DateOffset与Pandas的集成更紧密，支持工作日日历、节假日等高级功能；relativedelta的参数命名更灵活（如years/months/days直接用关键字参数），适合快速计算。二者可以混合使用，推荐在Pandas生态中优先使用DateOffset。

九、综合实战案例

下面通过一个真实的金融数据分析场景，整合以上所有知识点。假设我们有某只股票2024年1月的分钟级交易数据，需要完成一系列时间序列分析任务。

import pandas as pd import numpy as np from pandas.tseries.offsets import BDay, MonthEnd from dateutil.relativedelta import relativedelta # 步骤1：生成2024年1月的工作日交易数据（9:30-16:00，每30分钟） trading_hours = pd.date_range( '2024-01-01 09:30', '2024-01-31 16:00', freq='30T' ) # 过滤出工作日 trading_hours = trading_hours[trading_hours.weekday < 5] # 步骤2：模拟股价数据（随机游走） np.random.seed(42) returns = np.random.randn(len(trading_hours)) * 0.001 price = 100 * np.cumprod(1 + returns) df = pd.DataFrame({'close': price}, index=trading_hours) # 步骤3：提取时间特征 df['hour'] = df.index.hour df['minute'] = df.index.minute df['weekday'] = df.index.weekday df['is_morning'] = df.index.hour < 12 # 步骤4：计算技术指标 df['return_1d'] = df['close'].pct_change() # 30分钟收益率 df['return_shift1'] = df['close'].shift(1) # 上一个收盘价 df['diff_close'] = df['close'].diff() # 价格差分 # 步骤5：按日重采样计算统计数据 daily_stats = df.resample('D').agg({ 'close': ['first', 'last', 'max', 'min', 'mean'], 'return_1d': 'std' }) daily_stats.columns = ['open', 'close', 'high', 'low', 'avg', 'volatility'] # 步骤6：计算月收益率 month_end = df.resample('M')['close'].last() monthly_return = month_end.pct_change() print(f"2024年1月收益率: {monthly_return.iloc[0]:.2%}") # 步骤7：查找每月最后一个交易日 last_trading_days = df.resample('M').apply(lambda x: x.index[-1]) print("月末交易日:", last_trading_days) # 步骤8：时区处理——将数据转换到纽约时间 df.index = df.index.tz_localize('America/New_York') df_asia = df.index.tz_convert('Asia/Shanghai') print("纽约时间:", df.index[:3]) print("上海时间:", df_asia[:3])

上述案例展示了从数据生成、特征工程、指标计算、重采样到时区处理的全流程，涵盖了本文讨论的大部分核心知识点。

十、核心要点总结

时间序列处理速查表：

  • 日期解析：pd.to_datetime()是最核心的函数；read_csv中使用parse_dates自动解析；errors='coerce'可防止异常值中断流程
  • 日期范围生成：date_range（时间戳）、period_range（时间区间）、bdate_range（工作日序列），配合freq参数灵活定义间隔
  • DatetimeIndex属性：通过.year/.month/.day/.hour/.weekday等提取时间特征；字符串切片（df.loc['2024-01']）智能匹配全月
  • 频率与偏移：频率别名可叠加使用（如'2D3h'）；DateOffset支持自定义偏移规则；BDay处理工作日日历
  • 时区处理：tz_localize贴标签（naive→aware），tz_convert转换显示时间；创建时直接用tz参数更便捷
  • 时间序列操作：shift()做滞后/前导、diff()做差分、pct_change()计算变化率——三者是特征工程的基石
  • 日期偏移：MonthEnd/MonthBegin可以精确找到月末月初；relativedelta适合灵活的单位组合计算
  • 重采样（Resample）：df.resample('D')按日聚合，支持agg自定义统计函数，是高维时间序列分析的必备工具

学习路径建议：掌握以上基础知识后，可以进一步学习Pandas时间序列的高级主题：(1) 滑动窗口计算（rolling().mean()等）；(2) 时间序列重采样（resample的各种聚合策略）；(3) 缺失时间点的插值与填充（asfreq、reindex、interpolate）；(4) 与statsmodels库结合进行时间序列建模（ARIMA、季节性分解等）。