转换与处理时间序列数据  

转换字符串时间为标准时间:

Timestamp类型：最基础最常用。

pd.to_datetime(data['lock_time'])#转换

如果超出时间戳最大值，最小值，时间戳存储可能不成功 ：

DatatimeIndex与PeriodIndex函数【其实俺暂时不懂这俩能干啥呜呜呜】

pd.DatetimeIndex(data['use_start_time'])pd.PeriodIndex(data['use_start_time'],freq='S')

Timedelta类

不仅能够使用正数，也能使用负数；

可以轻松实现在某个时间上加减一天。

data['lock_time']+pd.Timedelta(days=1,seconds=1)#后移一天（无月，年）+1秒

使用分组聚合进行组内计算

groupby():    使用groupby方法拆分数据；

如果传入的是一个函数，则对索引进行计算并分组。

看实操：（以下的东西比较硬核）

当我想连接数据库读取数据时报错了：（主打的就是想试试数据库了好久没用过了）

import pandas as pd#622from sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root;123456root@127.0.0.1:3306/test/?charset=utf8')

没事，我们一个一个解决：

打开cmd，输入命令：

pip3 install pymysql

完了之后再运行好像就没有报错了：（后面有问题再解决）

然后读取数据：

嘿嘿，又报错啦，解决一下：

改了一会儿发现是代码有些地方写错了，修改如下：

import pandas as pd#622from sqlalchemy import create_engineengine = create_engine('mysql+pymysql://root:123456root@58.0.20.242:3306/test?charset=utf8')

但是它依然有错误：

解决：（这是因为数据库没有导入该数据产生的错误）【以下步骤看不懂见后面详解1】

完了之后问题就解决完啦：

分组计算频数等其他操作：

在求和时遇到了一些问题，有小伙伴知道为啥可以为我解答一下，呜呜（难道是我导入数据的时候出问题了吗？？？）【已解决。文末附解决方案，见详解2，确实是导入的时候出问题勒，数据类型没有更换！】

使用agg方法聚合函数

agg()函数和aggregate()函数

可以使用agg方法一次求出当前数据中所有菜品销量和售价的总和与均值。

​详解1：

​打开俺们的navicat，建一个test数据库：

后面的步骤全部默认​。（哈哈）

详解2：

在经过一段时间的琢磨后，我发现其实在前面读入数据的时候就已经产生一点错误了：

然鹅，NAN与NA的区别在于：（我简单理解为它们的数据类型不一样）

所以，我们就要让右边这个改过来~~~：【这里需要说明一下，如果用的是pandas直接的函数打开是没有问题的，出现问题是因为我是以连接数据库那种方式打开，所以产生了一点子问题。问题就在于前面说了个后面的步骤都默认哈哈哈】

改的​方法：

​很好，这样弄完了之后，前面的错误也都解决了不会出现像上面奇奇怪怪的数字了。

后面的正确数据都不截图了。（此期逻辑很混乱是因为俺不想重新理思路写勒，如果以后有机会做到类似的再出2.0版本）