例1. 使用Isnull( )函数判断是否为空

1. df['temperature'].isnull()[2350:2357]

例2. 删除缺失值：

1. df.dropna(inplace=True)  2. print df['temperature'].isnull().any()

输出： False ，因为已经删除缺失值，并且用删除之后的数据替换掉原数据，所以判断是否存在空值时，返回False，即不存在空数据。

Part2 时间序列分析（以时间戳为index的序列）

在进行时间序列分析时，先将DataFrame的索引值由默认的数字索引变为时间戳索引：

1. #新增一列deviation,然后将默认的索引值变为时间戳索引值  
2. df['deviation']=df['temperature']-df['temperature'].mean()  3. df.index=pd.to_datetime(df['timestamp'])  4. df.head()

此时，DataFrame变为如下形式：

画出DataFrame前100行，此时图的横坐标不再是数值索引，而是时间戳。如下：

1. ax=df[:100].plot()  2. ax.axhline(df[:100]['temperature'].median(),color='r',linestyle='-')3. plt.show()

此时，对DataFrame加入weekday列和weekend列，

1. # DatetimeIndex.weekday 将返回该日期是一星期中的第几天，星期一是0，星期天是6  2. df['weekday'] = df.index.weekday  
3. # isin()返回布尔值，表示df['weekday']是否在{5,6}中，  
4. # 即判断是否是周末  
5. df['weekend'] = df['weekday'].isin({5, 6})  6. # 根据日期来分组，进行统计  
7. df.groupby(df.index.date).count()

目前，已经得到每天的数据包括时间戳，摄氏温度，华氏温度，偏差以及周几和是否周末，统计输出如下：

那么就可以进一步分析温度随着时间的变化趋势，比如观察每周气温的变化情况：

1. # 以周为时间单位进行聚合，分析气温的变化情况  
2. # 前面已经将时间序列作为索引值，那么这里df.index.week返回的是一年的第几周3. df.groupby(df.index.week).plot()

也可以分析指定时间内的温度变化趋势

时间序列重采样（resample）

首先用DataFrame进行重采样：

1. # 按3天为时间间隔采样  
2. df.resample('3D').plot()

输出：

又如对Series进行降采样：

1. import random  
2. index = pd.date_range('1/1/2016', periods=1200, freq='S') 3. series = pd.Series([random.randint(0,100) for p in range(1200)], index=index)  4. # label参数表示采用区间左边的时间戳还是右边的时间戳，  
5. # closed参数表示区间是左边闭合还是右边闭合，和数学中[  )，(  ]区间表示形式一样  
6. # 一个时间戳只能属于一个时间段，所有时间段合并起来必须能组成原始的整个时间帧7. # 降采样，从之前的1秒变为5分钟8. resampled = series.resample('5T', label='right', closed='right')  9. print resampled 
10. print series.resample('5T', label='left', closed='right')  11. print series.resample('5T', label='left', closed='left')

输出：

升采样，采样频率从5分钟变到100秒，

1. # 升采样默认会引入缺失值2. print resampled.resample('100S')[:6]  3. # ffill()向前填充，即用上一个有效值填充缺失数据  
4. # bfill()向后填充，即用下一个有效值填充缺失数据  
5. print resampled.resample('100S').ffill()[:6]  6. print resampled.resample('100S').bfill()[:6]

使用statsmodels库进一步分析时序数据

Note: statsmodels是一个包含统计模型、统计测试和统计数据挖掘python模块。对每一个模型都会生成一个对应的统计结果。统计结果会和现有的统计包进行对比来保证其正确性。

如上图所示，是某种商品的历史销售数据，为了更好地分析商品销售变化趋势，将销售时序数据分解为长期趋势、季节趋势和随机成分。statsmodels支持两类分解模型，加法模型和乘法模型。默认采用加法模型，即分解后的这3个趋势相加要等于原始数据。

1. dtap=pd.DataFrame(mdf.groupby(mdf.index)['activity'].sum())  2. # 对缺失数据插值  
3. dtap.activity.interpolate(inplace=True)  4. res=sm.tsa.seasonal_decompose(dtap.activity)  5. resplot=res.plot()  6. resplot.set_size_inches(15,15)

输出：

文章原标题《Introduction to Pandas and Time Series Analysis》，作者：Alexander C. S. Hendorf，译者：李烽 审校：海棠-段志成文章为简译，更为详细的内容，请查看原文。

PS：中文译制PDF版食用更佳，可读性更强，见附件。