时间序列不仅可以用于前面所说的数据记录中的列表示和索引表示，也广泛应用于各种时间计算等常见操纵中。这次我们准备结合一些时间分析的例子，来看看各种时间序列的操作方法。

为了能够讲清楚这些问题，我们需要一个例子，这里以一家公司的股票信息来做分析。

首先我们需要解决如何读取这个数据文件，在pandas中，读取文件很简单，可以利用pandas的read_csv函数即可，比如：

frame= pd.read_csv(‘macrodata.csv’)

这就表示读取macrodata.csv文件，将其中的所有数据直接生成DataFrame变量，一般CSV文件就是以列表示各种字段、每行一个记录的数据块，可以直接保存到DataFrame变量中。

请注意，当前这个数据文件是放在项目中，因此可以直接读取。

但是在实际操作中，数据文件往往位于其他地方，而且可能含有汉字信息。比如我们这个股票数据文件是“股票数据.csv”，位于C盘temp目录下。直接使用上述方法：

frame= pd.read_csv(‘C:\\temp\\股票数据.csv’)

说明下，这里分隔C盘和目录的反斜杠应该写成两个。了解Python的同学应该知道这是转义字符，不太清楚的同学也应该知道这就表示分隔符。

不过此时会出现错误，主要原因在于这个文件含有汉字信息。

正确的处理方式应该是增加解析汉字所需的字符集，即使用encoding参数：

frame= pd.read_csv(‘C:\\temp\\股票数据.csv’, encoding=’GBK’)

一般而言，大家可以尝试使用诸如“GBK”、“UTF-8”、“GB2312″等字符集中的一个，由于大家使用的电脑环境都各不一样，很难说哪一个有效，不过，一般而言，上述三个中的一个总可以满足要求。

如果我们直接输出DataFrame内容，由于数据很大，所以导致我们无法看到所有数据，这里面有两种方法可以供大家参考：

第一是无需读取全部记录，避免加载数据很多导致的速度过慢，方法是只读取部分记录：

print(frame.head(5))

这里的head就表示取得前面若干行记录。

第二是即使数据很少，但是如果列很多的话，也会有省略的显示内容，因此可以设置下默认的显示方式，即通过pandas的set_option函数设置下一些常见的显示参数，比如：

pd.set_option(‘display.max_columns’, None)

就表示将全部的列都显示出来。

但是，由于横轴宽度太窄，因此需要再次加宽下整体显示宽度：

pd.set_option(‘display.width’, 500)

其实在很多情况下，我们都可以借助这两个参数设定来调整显示。

最后一步常见的操作就是将时间信息设置为当前数据的索引。方法很简单，通过DataFrame的set_index方法即可实现：

frame = frame.set_index(‘日期’)

frame.index = pd.to_datetime(frame.index)

在结果中我们可以看到，一旦将一列设置为索引，则此列就自动从正式列中被除去。同时，为了时间处理方便，我们再次将索引转换为时间类型。

好了，到此为止，我们完成了一些时间分析中最为常见的基本数据准备工作。

接下来我们想结合一些基本操作方法来看看它们的实际应用价值。

比如我们想看看每天比前一天变化多少，既可能增长也可能下降，只需把当天的收盘价减去前一天的收盘价即可计算。为此我们需要按照日期来对齐两种数据：

这里我们使用了shift方法，它表示移动，我们可以先观察下：

print(frame.head(5).shift(1))

从结果看的出来，第一行全部移到了第二行，第二行再全部移动了第三行，以此类推，同时，第一行全部被空值填充。

由于此时索引并没有变化，因此我们可以按照索引对全部数据对齐，进行直接计算：

print(frame[‘收盘价’] – frame[‘收盘价’].shift(1))

其中，虽然是按照每天时间对齐数据，但是其实计算的是当天数据和前一天数据的差值，正好满足了我们的要求。

不过，由于记录行太多，依然无法看到全部内容，此时可以再次设置参数来调节下：

pd.set_option(‘display.max_rows’, None)

当然这个参数一般尽量不要设置，避免返回的数据过多导致显示速度太慢。

除了可以移动内容外，也可以移动索引本身，比如我们为了计算同样的内容，可以将现有索引往前移动一天，方法是：

print(frame[‘收盘价’].shift(-1, freq=’D’))

此时内容没变，但是对应的时间都往前提了一天。

因此还可以同样计算当天数据和前一天数据的差值：

细心的同学可能注意到，这个结果基本和前面是一样的，但是中间多了一些空值，主要原因在于这个时间序列并非连续序列，股票交易只有工作日的记录，周末两天没有记录，移动日期后，序列中间产生了很多无法一一对应的时间，主要就是周末前后两天的错位，从而产生一些空值，而且产生的时间和刚才移动数据会产生不同。