Skip to content

Arbeiten mit Time-Indexes in Pandas

Dieses Dokument führt in die Grundlagen der Arbeit mit Zeitstempeln und Zeitindizes in Pandas ein. Dabei werden wichtige Themen wie das Finden fehlender Daten, das Sortieren von Indizes, das Arbeiten mit Zeitstempeln (z. B. Umwandlung in datetime), Zeitzonen und die Zeitumstellung (Sommerzeit) behandelt.

Erstellen eines DataFrames mit Zeitstempeln und fehlenden Daten

Zunächst erstellen wir einen einfachen DataFrame mit Zeitstempeln, einer Temperatur-Spalte und fehlenden Werten (NA). Dabei sorgen wir dafür, dass die Zeitstempel korrekt als datetime erkannt werden, was für spätere Zeitreihen-Operationen wichtig ist.

import pandas as pd

# Erstellen des DataFrames mit Zeitstempeln und fehlenden Werten (NA)
data_unsorted = [22.5, 23.0, pd.NA, 24.0, 25.0]
dates_unsorted = ['2025-02-03', '2025-02-01', '2025-02-02', '2025-02-05', '2025-02-04']

# Erstellen des DataFrames ohne Index
df = pd.DataFrame(data_unsorted, columns=['Temperatur'])

# Umwandlung der Datumsangaben in datetime und Setzen des Index
df['Datum'] = pd.to_datetime(dates_unsorted)
df = df.set_index('Datum')

# Ausgabe des DataFrames
print(df)

Ausgabe: 

           Temperatur
Datum
2025-02-03       22.5
2025-02-01       23.0
2025-02-02       <NA>
2025-02-05       24.0
2025-02-04       25.0

Erklärung:

  • Die Zeitstempel in der Liste dates_unsorted werden mit pd.to_datetime() in das datetime-Format konvertiert.
  • Der DataFrame wird dann mit set_index() so verändert, dass die Datum-Spalte als Index verwendet wird.

Index-Sortierung

Nach der Umwandlung der Zeitstempel in datetime möchten wir den Index so sortieren, dass die Zeitstempel in der richtigen Reihenfolge sind. Dafür verwenden wir sort_index().

# Sortieren des Indexes nach Datum
df = df.sort_index()

# Ausgabe des sortierten DataFrames
print(df)

Ausgabe: 

           Temperatur
Datum
2025-02-01       23.0
2025-02-02       <NA>
2025-02-03       22.5
2025-02-04       25.0
2025-02-05       24.0

Fehlende Daten finden

Fehlende Werte sind häufig in Zeitreihen und können durch verschiedene Faktoren wie Sensorfehler oder Datenlücken entstehen. In Pandas kannst du fehlende Werte leicht erkennen, indem du isnull() verwenden.

Beispiel: Fehlende Daten finden

# Ausgabe der Zeilen mit fehlenden Daten
print("Zeilen mit fehlenden Daten:")
print(df[df.isnull().values])

Ausgabe: 

Zeilen mit fehlenden Daten:
           Temperatur
Datum
2025-02-02       <NA>

Zeitzonen und Sommerzeit

Es ist wichtig, sicherzustellen, dass Zeitstempel mit der richtigen Zeitzone und unter Berücksichtigung der Sommerzeit (Daylight Saving Time) behandelt werden. Um dies zu erreichen, kannst du die tz_localize() und tz_convert() Funktionen in Pandas verwenden.

Beispiel: Umgang mit Zeitzonen und Sommerzeit

In diesem Beispiel stellen wir sicher, dass die Zeitstempel korrekt lokalisiert und in eine andere Zeitzone konvertiert werden, dabei die Sommerzeit korrekt berücksichtigt wird.

# Lokalisieren des DatetimeIndex in der Zeitzone Zürich
df.index = df.index.tz_localize('Europe/Zurich')

# Umwandeln der Zeitzone in UTC
df.index = df.index.tz_convert('UTC')

# Ausgabe des DataFrames mit Zeitzonenbehandlung
print(df)

Ausgabe: 

                          Temperatur
Datum
2025-01-31 23:00:00+00:00       23.0
2025-02-01 23:00:00+00:00       <NA>
2025-02-02 23:00:00+00:00       22.5
2025-02-03 23:00:00+00:00       25.0
2025-02-04 23:00:00+00:00       24.0

Erklärung:

  • Zunächst haben wir den datetime-Index in die Zeitzone Europe/Zurich lokalisiert.
  • Anschliessend wurde der Index in die UTC-Zeitzone konvertiert.