Series Temporales

Los datos indexados por tiempo requieren agrupación consciente del calendario, estadísticas móviles y reglas explícitas de zona horaria; el DatetimeIndex de pandas proporciona la maquinaria.

Receta

Tarjeta de receta de referencia rápida, lista para copiar y pegar.

import pandas as pd
 
ts = df.set_index("ordered_at").sort_index()
daily = ts["revenue"].resample("D").sum()
roll = daily.rolling(7, min_periods=3).mean()
local = ts.index.tz_convert("America/New_York")

Cuándo usar esto:

• Ventas o métricas indexadas por marcas de tiempo de eventos
• Reducción de logs de alta frecuencia a KPIs horarios/diarios
• Detección de anomalías móviles en flujos de sensores
• Alineación de datos multirregión a una zona horaria de informes

Ejemplo de Trabajo

import pandas as pd
 
idx = pd.date_range("2025-01-01", periods=48, freq="h", tz="UTC")
events = pd.DataFrame(
    {"revenue": range(48), "region": ["East"] * 24 + ["West"] * 24},
    index=idx,
)
events.index.name = "ts"
 
# Totales diarios por región (ancho)
daily = (
    events.groupby([pd.Grouper(freq="D"), "region"])["revenue"]
    .sum()
    .unstack(fill_value=0)
)
 
# Media móvil de 7 días en la columna East
daily["East_roll7"] = daily["East"].rolling(7, min_periods=3).mean()
 
# Reindexación de días hábiles con relleno hacia adelante para huecos de informes
biz = daily.asfreq("B").ffill()
 
# Mostrar en el Este de EE. UU.
eastern = events.index.tz_convert("America/New_York")
print(daily.head())
print("primera hora del Este:", eastern[0])

Lo que esto demuestra:

• Construcción de índice horario UTC
• Grouper(freq="D") para cubos diarios del calendario
• Media móvil con min_periods para evitar ventanas pequeñas
• asfreq + ffill para alineación de días hábiles

Inmersión Profunda

Cómo Funciona

• Un DatetimeIndex almacena int64 nanosegundos más metadatos de zona horaria.
• resample agrupa en períodos regulares (cadenas de reglas como D, ME, h).
• rolling desliza una ventana fija; expanding crece desde el principio.
• Las comparaciones ingenuas vs. conscientes de zona horaria generan errores en pandas 2.x; estandarizar en la ingesta.

Alias de Frecuencia

Notas de Python

import pandas as pd
 
# Analizar formatos mixtos, forzar UTC
pd.to_datetime(series, format="mixed", utc=True)
 
# Desplazar para características de rezago
df["revenue_lag1"] = df["revenue"].shift(1)

Errores Comunes

• Índice desordenado - resample y rolling asumen tiempo ordenado. Solución: df.sort_index() primero.
• Tiempos locales ingenuos de zona horaria - huecos y duplicados de DST. Solución: ingerir UTC; convertir con tz_convert para visualización.
• Fin de mes vs. inicio de mes - MS vs ME cambia los límites de KPI. Solución: documentar el calendario de informes con las partes interesadas.
• Ventanas móviles en datos dispersos - min_periods predeterminado = window produce muchos NA. Solución: reducir min_periods a sabiendas o imputar huecos.
• Mezcla de PeriodIndex y Timestamp - los patrones obsoletos fallan en pandas 2.x. Solución: usar DatetimeIndex de extremo a extremo.

Alternativas

Preguntas Frecuentes

ts.resample("D").sum().asfreq("D", fill_value=0)

weekly = ts.resample("W").sum()
wow = weekly.pct_change()

ts.rolling("7D").mean()

ts.index.duplicated().any()

Relacionado

• GroupBy & Agregación - Patrones de Grouper
• Limpieza y Transformación de Datos - analizar fechas al cargar
• Uniones y Combinaciones - merge_asof
• Rendimiento y Memoria - reducción de series grandes

Versiones de la Pila: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ y uv 0.6+.