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

Regra	Significado
`h`	Horário
`D`	Dia de calendário
`B`	Dia útil
`ME`	Fim do mês
`W-MON`	Semanal segunda-feira

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

Alternativa	Use Quando	Não Use Quando
Polars `group_by_dynamic`	Grandes buckets de tempo preguiçosos	Pequenos notebooks apenas com pandas
statsmodels	ARIMA/decomposição sazonal	KPIs simples de reamostragem
DuckDB `date_trunc`	Agregações de armazém nativas SQL	Operações de Series em máquina única
`np.convolve`	Suavização FIR fixa em ndarray	Timestamps irregulares

FAQs

Por que UTC na ingestão?

Evita ambiguidades de horário de verão e facilita junções de múltiplas regiões.
Converta para o fuso horário local apenas na camada de apresentação.

Qual é a diferença entre resample e groupby Grouper?

resample funciona diretamente no DatetimeIndex.
Grouper se anexa às chaves de coluna em groupby.

Como preencher datas ausentes com zero?

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

Como calcular a mudança semana a semana?

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

Janelas deslizantes podem ser baseadas em tempo?

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

Requer DatetimeIndex ordenado.

Como lidar com eventos irregulares?

Reamostre para uma grade regular e, em seguida, agregue.
Ou use merge_asof para junções "as-of".

O que closed e label significam em resample?

closed="left" inclui a borda esquerda do bin.
label define qual timestamp nomeia o bucket.

Como detectar timestamps duplicados?

ts.index.duplicated().any()

Agregue duplicatas antes de reamostrar.

Como exportar para Excel com datas?

Mantenha o dtype datetime; evite converter para strings antes de to_excel.

O Polars substitui as séries temporais do pandas?

Polars se destaca em escala; pandas ainda lidera em EDA interativa.
Ambos usam Arrow internamente em pilhas modernas.

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+.

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

Regra	Significado
`h`	Horário
`D`	Dia de calendário
`B`	Dia útil
`ME`	Fim do mês
`W-MON`	Semanal segunda-feira

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

Alternativa	Use Quando	Não Use Quando
Polars `group_by_dynamic`	Grandes buckets de tempo preguiçosos	Pequenos notebooks apenas com pandas
statsmodels	ARIMA/decomposição sazonal	KPIs simples de reamostragem
DuckDB `date_trunc`	Agregações de armazém nativas SQL	Operações de Series em máquina única
`np.convolve`	Suavização FIR fixa em ndarray	Timestamps irregulares

FAQs

Por que UTC na ingestão?

Evita ambiguidades de horário de verão e facilita junções de múltiplas regiões.
Converta para o fuso horário local apenas na camada de apresentação.

Qual é a diferença entre resample e groupby Grouper?

resample funciona diretamente no DatetimeIndex.
Grouper se anexa às chaves de coluna em groupby.

Como preencher datas ausentes com zero?

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

Como calcular a mudança semana a semana?

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

Janelas deslizantes podem ser baseadas em tempo?

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

Requer DatetimeIndex ordenado.

Como lidar com eventos irregulares?

Reamostre para uma grade regular e, em seguida, agregue.
Ou use merge_asof para junções "as-of".

O que closed e label significam em resample?

closed="left" inclui a borda esquerda do bin.
label define qual timestamp nomeia o bucket.

Como detectar timestamps duplicados?

ts.index.duplicated().any()

Agregue duplicatas antes de reamostrar.

Como exportar para Excel com datas?

Mantenha o dtype datetime; evite converter para strings antes de to_excel.

O Polars substitui as séries temporais do pandas?

Polars se destaca em escala; pandas ainda lidera em EDA interativa.
Ambos usam Arrow internamente em pilhas modernas.

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+.

Séries Temporais

Buscar na documentação

Séries Temporais