极客笔记Python Pandas – 从PeriodIndex对象显示日期的季度
在进行数据处理和分析的时候，经常需要使用日期和时间。而Pandas作为Python中常用的数据分析库，提供了丰富的时间序列处理方法和函数。
在本文中，我们将会介绍如何从Pandas的PeriodIndex对象中提取日期的季度。
更多Pandas相关文章，请阅读：Pandas 教程
什么是Pandas PeriodIndex对象
Pandas中的PeriodIndex对象是用来存储时间段（period）的索引，它可以用来表示一段时间的开始和结束。PeriodIndex对象的主要作用是为时间序列数据提供快速、灵活的索引方式，并且支持聚合、切片和重取样等操作。
PeriodIndex对象的创建可以通过Pandas的date_range函数来实现，例如：
import pandas as pd
dates = pd.date_range(start='2020-01-01', end='2022-12-31', freq='Q')
pidx = pd.PeriodIndex(dates, freq='Q')
这里我们使用date_range函数生成了从’2020-01-01’到’2022-12-31’的时间序列，并将其转换为了PeriodIndex对象。其中，参数freq=’Q’表示每个时间段为季度（quarter）。
从PeriodIndex对象显示日期的季度
PeriodIndex对象不仅仅是一个日期范围，同时还包含了日期的年份和季度信息。我们可以通过PeriodIndex对象的属性访问年份和季度信息，例如：
quarters = pidx.quarter
years = pidx.year
这里我们分别将PeriodIndex对象的季度信息和年份信息赋值给了变量quarters和years。
另外，我们也可以通过Series对象的apply方法来提取日期的季度信息，并将其作为新的一列添加到DataFrame中，例如：
df = pd.DataFrame({'date': pidx})
df['quarter'] = df['date'].apply(lambda x: x.quarter)
print(df)
这里我们先将PeriodIndex对象转换为DataFrame，并将其存储在变量df中。然后，利用apply方法和lambda函数提取日期的季度信息，并将其添加到了DataFrame中。
接下来，让我们看一下完整的示例代码：
import pandas as pd
dates = pd.date_range(start='2020-01-01', end='2022-12-31', freq='Q')
pidx = pd.PeriodIndex(dates, freq='Q')
quarters = pidx.quarter
years = pidx.year
print(quarters)
print(years)
df = pd.DataFrame({'date': pidx})
df['quarter'] = df['date'].apply(lambda x: x.quarter)
print(df)
输出结果如下：
Int64Index([1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4], dtype='int64')
Int64Index([2020, 2020, 2020, 2020, 2021, 2021, 2021, 2021, 2022, 2022, 2022,
2022],
dtype='int64')
date quarter
0 2020Q1 00:00 1
1 2020Q2 00:00 2
2 2020Q3 00:00 3
3 2020Q4 00:00 4
4 2021Q1 00:00 1
5 2021Q2 00:00 2
6 2021Q3 00:00 3
7 2021Q4 00:00 4
8 2022Q1 00:00 1
9 2022Q2 00:00 2
10 2022Q3 00:00 3
11 2022Q4 00:00 4
其中，第一个输出结果为季度信息，第二个输出结果为年份信息，最后的输出结果为新增的DataFrame，其中包含日期和季度列。
总结
通过本文的介绍，我们学习了如何从Pandas的PeriodIndex对象中提取日期的季度。利用PeriodIndex对象的属性可以直接访问年份和季度信息，而利用apply方法和lambda函数可以将提取的季度信息添加到DataFrame中。这些方法可以为我们在数据处理和分析中提供便利，帮助我们更加灵活地处理时间序列数据。