Séries Temporais

Dados indexados por tempo precisam de agrupamento ciente do calendário, estatísticas deslizantes e regras explícitas de fuso horário - o DatetimeIndex do pandas fornece os mecanismos.

Receita

Cartão de receita de referência rápida - pronto para copiar e colar.

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")

Quando usar isso:

• Vendas ou métricas indexadas por timestamps de eventos
• Redução de logs de alta frequência para KPIs horários/diários
• Detecção de anomalias deslizantes em fluxos de sensores
• Alinhamento de dados de múltiplas regiões a um fuso horário de relatório

Exemplo de Trabalho

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"
 
# Totais diários por região (largo)
daily = (
    events.groupby([pd.Grouper(freq="D"), "region"])["revenue"]
    .sum()
    .unstack(fill_value=0)
)
 
# Média deslizante de 7 dias na coluna East
daily["East_roll7"] = daily["East"].rolling(7, min_periods=3).mean()
 
# Reindexação para dias úteis com preenchimento para frente para lacunas de relatório
biz = daily.asfreq("B").ffill()
 
# Exibição no horário Leste dos EUA
eastern = events.index.tz_convert("America/New_York")
print(daily.head())
print("primeira hora Leste:", eastern[0])

O que isso demonstra:

• Construção de índice horário UTC
• Grouper(freq="D") para agrupamentos diários de calendário
• Média deslizante com min_periods para evitar janelas minúsculas
• asfreq + ffill para alinhamento de dias úteis

Mergulho Profundo

Como Funciona

• Um DatetimeIndex armazena int64 nanosegundos mais metadados de fuso horário.
• resample agrupa em períodos regulares (strings de regra como D, ME, h).
• rolling desliza uma janela fixa; expanding cresce a partir do início.
• Comparações de fuso horário ingênuas vs. cientes geram erros no pandas 2.x - padronize na ingestão.

Aliases de Frequência

Notas Python

import pandas as pd
 
# Analisa formatos mistos, força UTC
pd.to_datetime(series, format="mixed", utc=True)
 
# Desloca para recursos de atraso
df["revenue_lag1"] = df["revenue"].shift(1)

Armadilhas

• Índice não ordenado - resample e rolling assumem tempo ordenado. Correção: df.sort_index() primeiro.
• Horários locais ingênuos - Lacunas e duplicatas do horário de verão. Correção: ingira UTC; converta com tz_convert para exibição.
• Fim do mês vs. início do mês - MS vs ME muda os limites do KPI. Correção: documente o calendário de relatórios com as partes interessadas.
• Janelas deslizantes em dados esparsos - min_periods=window padrão produz muitos NA. Correção: diminua min_periods conscientemente ou impute lacunas.
• Mistura de PeriodIndex e Timestamp - Padrões obsoletos quebram no pandas 2.x. Correção: use DatetimeIndex de ponta a ponta.

Alternativas

FAQs

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 & Agregação - Padrões Grouper
• Limpeza e Transformação de Dados - analisar datas no carregamento
• Junções e Mesclagens - merge_asof
• Desempenho e Memória - redução de amostragem de séries grandes

Versões da Stack: Esta página foi escrita para Python 3.14.0 (stable 3.14, maintenance 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+, e uv 0.6+.