Python金融分析系列-1：日期和时间变量的处理和转换

作者：陈卓然 (北京大学)
邮箱：chenzhr25@mail2.sysu.edu.cn

在经济学的研究当中，特别是有关金融学的研究中，时间是一个非常重要的变量。在很多情况下，由于日期和时间的形式多种多样，处理起来难免会遇到各种各样的问题。为此，本推文将介绍 Python 中处理时间和日期变量的几种方式。本推文主要介绍在如下三种环境下处理时间日期数据的方式：

• Python
• Numpy
• Pandas

温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：

1. Python

Python 中的 datetime 标准库可以为我们做绝大多数有关日期和时间相关的操作:

from pylab import mpl, plt
plt.style.use('seaborn')
mpl.rcParams['font.family'] = 'serif'
%matplotlib inline

import datatime as dt
dt.datetime.today()
dt.datetime.today().weekday()

我们也可以自由创建一个 datetime 的类，例如：

d = dt.datetime(2020, 10, 31, 10, 5, 30, 500000)
str(d)

'2020-10-31 10:05:30.500000'

我们可以提取这个类的年，月，日，小时等。

d.year, d.month, d.hour, d.second

    
(2020, 10, 10, 30)

我们可以将 datetime 转成序数：

o = d.toordinal()

或者反过来：

dt.datetime.fromordinal(o)

我们可以将 datetime 分割出 date 和 time：

t = dt.datetime.time(d)
t

datetime.time(10, 5, 30, 500000)

dd = dt.datetime.date(d)
dd

datetime.date(2020, 10, 31)

我们也可以计算两个时间点之间的跨度：

td = d - dt.datetime.now()
td

datetime.timedelta(days=-1002, seconds=84289, microseconds=752299)

当然我们也可以转换日期时间的表示方式，比如：

d.strftime('%A, %d. %B %Y %I:%M%p')

'Saturday, 31. October 2020 10:05AM'

下表列出了年，月，日，周，小时，分钟等的代码，数据来源是 Python Datetime。

另外一个好用的函数是 strptime 这个命令可以将任意形式的日期时间字符串转换成datetime格式的字符串。

dt.datetime.strptime('2017-03-31', '%Y-%m-%d')

datetime.datetime(2017, 3, 31, 0, 0)

2. Numpy

Numpy 中也提供了若干处理日期时间数据的函数：

# Construction from str object and string representation
nd = np.datetime64('2020-10-31')
nd

numpy.datetime64('2020-10-31')

np.datetime_as_string(nd)

'2020-10-31'

在 Numpy 中另外一种创建 datetime 型对象的方式是通过提供一个字符串和频率信息。

nd = np.datetime64('2020-10', 'M')
nd = np.datetime64('2020-10', 'D')

numpy.datetime64('2020-10')
numpy.datetime64('2020')

np.array(['2020-06-10', '2020-07-10', '2020-08-10'], dtype='datetime64')

array(['2020-06-10', '2020-07-10', '2020-08-10'], dtype='datetime64[D]')

我们也可以采用 np.arange 的方法来生成一系列时间：

np.arange("2020-10-31",'2020-12-15', dtype = 'datetime64')

array(['2020-10-31', '2020-11-01', '2020-11-02', '2020-11-03',
       '2020-11-04', '2020-11-05', '2020-11-06', '2020-11-07',
       '2020-11-08', '2020-11-09', '2020-11-10', '2020-11-11',
       '2020-11-12', '2020-11-13', '2020-11-14', '2020-11-15',
       '2020-11-16', '2020-11-17', '2020-11-18', '2020-11-19',
       '2020-11-20', '2020-11-21', '2020-11-22', '2020-11-23',
       '2020-11-24', '2020-11-25', '2020-11-26', '2020-11-27',
       '2020-11-28', '2020-11-29', '2020-11-30', '2020-12-01',
       '2020-12-02', '2020-12-03', '2020-12-04', '2020-12-05',
       '2020-12-06', '2020-12-07', '2020-12-08', '2020-12-09',
       '2020-12-10', '2020-12-11', '2020-12-12', '2020-12-13',
       '2020-12-14'], dtype='datetime64[D]')

np.arange("2020-10-31",'2020-12-15', dtype = 'datetime64[W]')

array(['2020-10-29', '2020-11-05', '2020-11-12', '2020-11-19',
       '2020-11-26', '2020-12-03'], dtype='datetime64[W]'

时间序列数据的绘制有时可能会很困难，matplotlib 默认是支持标准的 datetime 对象，因此我们需要现将 numpy 中的 numpy datetime64 转换成 Python 的 datetime。

dtl = np.arange('2020-01-01T00:00:00', '2020-01-02T00:00:00',dtype='datetime64[h]')
rnd = np.random.standard_normal(len(dtl)).cumsum()**3
fig = plt.figure(figsize=(10,6))
plt.plot(dtl.astype(dt.datetime), rnd,'cornflowerblue')
fig.autofmt_xdate()

3. Pandas

Pandas 中有着一些非常方便的处理日期和时间数据的类。首先，Pandas 中提供了 Timestamp 的类，这个类作为 datetime 和 datetime64 的替代。

ts = pd.Timestamp('2020-10-06')
ts

Timestamp('2020-10-06 00:00:00')

# datetime object from Timestamp object
ts.to_pydatetime()

datetime.datetime(2020, 10, 6, 0, 0)

另外一个非常有用的类是 DatetimeIndex，这是一个创建时间 indices 的一个非常灵活而强大的工具，它可以通过 pd.date_range() 函数来生成。

dti = pd.date_range('2020/01/01', freq='M', periods=12)

DatetimeIndex(['2020-01-31', '2020-02-29', '2020-03-31', '2020-04-30',
               '2020-05-31', '2020-06-30', '2020-07-31', '2020-08-31',
               '2020-09-30', '2020-10-31', '2020-11-30', '2020-12-31'],
              dtype='datetime64[ns]', freq='M')

在 Pandas 中对于含有日期时间序列的数据的绘图是非常容易的。

rnd = np.random.standard_exponential(len(dti))
df2 = pd.DataFrame(rnd, columns=['data'], index=dti)
df2.plot(figsize = (10,6))

4. 小结

本文简要介绍了 Python 内置，Numpy 以及 Pandas 中处理日期时间序列数据的函数，不难看出 Python 在处理这类数据时的强大之处。

5. 相关推文

Note：产生如下推文列表的 Stata 命令为：
  lianxh python
安装最新版 lianxh 命令：
  ssc install lianxh, replace

• 专题：Python-R-Matlab
• 初虹, 2022, Python爬虫1：小白系列之requests和json, 连享会 No.887.
• 初虹, 2022, Python爬虫2：小白系列之requests和lxml, 连享会 No.888.
• 周豪波, 2020, Python 调用 API 爬取百度 POI 数据小贴士——坐标转换、数据清洗与 ArcGIS 可视化, 连享会 No.20.
• 周豪波, 2020, Python 调用 API 进行逆地理编码, 连享会 No.59.
• 孔亦泽, 2023, 分享：公开数据库 及 数据格式转换-R-Stata-Python, 连享会 No.1272.
• 孙斯嘉, 2020, Python 调用 API 爬取百度 POI 数据, 连享会 No.60.
• 孙斯嘉, 2020, Python 调用 API 进行地理编码, 连享会 No.62.
• 左从江, 2020, Python: 批量爬取下载中国知网(CNKI) PDF论文, 连享会 No.54.
• 张春雷, 2022, Stata+Python：导入超大Excel文档的新思路-以国泰安为例, 连享会 No.1021.
• 张洪洋, 2023, Python：文本数据增强, 连享会 No.1240.
• 张翠燕, 2020, Python+Wind：用 Pyautogui 轻松下载 Wind 数据, 连享会 No.257.
• 杨晓军, 2022, Stata-Python交互-10：Stata17 新特性之PyStata的配置与应用, 连享会 No.996.
• 梁淑珍, 2022, Python：Jaccard 相似度和距离, 连享会 No.1043.
• 梁淑珍, 2022, Python：文本分析必备—搜狗词库, 连享会 No.1078.
• 王颖, 2022, Python：爬取动态网站, 连享会 No.932.
• 秦利宾, 2020, Python：爬取上市公司公告-Wind-CSMAR, 连享会 No.131.
• 秦利宾, 2021, Python：爬取巨潮网公告, 连享会 No.646.
• 范思妤, 2023, Python：基于selenium爬取科创板审核问询, 连享会 No.1172.
• 许梦洁, 2020, Python: 6 小时爬完上交所和深交所的年报问询函, 连享会 No.104.
• 许梦洁, 2020, Python: 使用正则表达式从文本中定位并提取想要的内容, 连享会 No.91.
• 专题：Stata入门
• 秦利宾, 2020, Stata 与 Jupyter Notebook 关联的两种方法, 连享会 No.136.
• 许梦洁, 2020, 使用 Jupyter Notebook 配置 Stata\Python\Julia\R, 连享会 No.84.
• 韩少真, 展金永, 2020, 珠联璧合 II：Jupyter Notebook 与 Matlab 之融合, 连享会 No.116.
• 专题：Stata命令
• 刘欣妍, 2022, Stata与Python等价命令, 连享会 No.955.
• 专题：Stata程序
• 连玉君, 2020, Stata程序：是否有类似-Python-中的-zip()-函数, 连享会 No.347.
• 专题：其它
• 田原, 2020, ES 期望损失: Stata 及 Python 实现, 连享会 No.182.
• 专题：数据分享
• 秦利宾, 许梦洁, 2021, Python+Stata：如何获取中国气象历史数据, 连享会 No.793.
• 专题：文本分析-爬虫
• 李青塬, 2022, Stata+Python：同花顺里爬取创历史新高的股票, 连享会 No.957.
• 李青塬, 2022, Stata+Python：爬取创历史新高股票列表, 连享会 No.894.
• 梁海, 2020, Python：爬取东方财富股吧评论进行情感分析, 连享会 No.440.
• 梁淑珍, 2022, Python：计算管理层讨论与分析的余弦相似度, 连享会 No.995.
• 王文韬, 2020, Python爬虫: 《经济研究》研究热点和主题分析, 连享会 No.88.
• 田原, 2020, VaR 风险价值: Stata 及 Python 实现, 连享会 No.179.
• 田原, 2020, 支持向量机：Stata 和 Python 实现, 连享会 No.149.

课程推荐：Stata2R：针对 Stata 用户的 R 课程
主讲老师：游万海 (福州大学)
课程时间：2023 年 12 月 3/10/17 (三个周日)
🍓 课程主页：https://www.lianxh.cn

New！ Stata 搜索神器：lianxh 和 songbl  GIF 动图介绍
搜： 推文、数据分享、期刊论文、重现代码 ……
👉 安装：
  . ssc install lianxh
  . ssc install songbl
👉  使用：
  . lianxh DID 倍分法
  . songbl all

🍏 关于我们

• 连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。
• 直通车： 👉【百度一下： 连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。