与Pandas套餐对接

这个 astropy.timeseries package is not the only package to provide functionality related to time series. Another notable package is pandas ，它提供了 pandas.DataFrame 上课。主要好处是 astropy.timeseries 在天文学研究方面，有以下几点：

• 时间列是 Time 对象，该对象支持非常高精度的时间表示，并使在不同的时间刻度和格式（例如，ISO 8601时间戳、朱利安日期等）之间进行转换非常容易。

• 数据列可以包括 Quantity 带单位的对象。

• 这个 BinnedTimeSeries 类包括可变宽度的时间容器。

• 有针对常见时间序列文件格式的内置读卡器，以及定义自定义读写器的功能。

然而，也有使用Pandas的案例 DataFrame 对象可能有意义，因此我们提供了转换为/来自的方法 DataFrame 物体。

例子

考虑一个从 DataFrame ：

>>> import pandas
>>> import numpy as np
>>> from astropy.utils.introspection import minversion
>>> df = pandas.DataFrame()
>>> df['a'] = [1, 2, 3]
>>> times = np.array(['2015-07-04', '2015-07-05', '2015-07-06'], dtype=np.datetime64)
>>> df.set_index(pandas.DatetimeIndex(times), inplace=True)
>>> df
    a
2015-07-04  1
2015-07-05  2
2015-07-06  3

We can convert this to an astropy TimeSeries using from_pandas():

>>> from astropy.timeseries import TimeSeries
>>> ts = TimeSeries.from_pandas(df)
>>> ts
<TimeSeries length=3>
             time               a
             Time             int64
----------------------------- -----
2015-07-04T00:00:00.000000000     1
2015-07-05T00:00:00.000000000     2
2015-07-06T00:00:00.000000000     3

正在转换为 DataFrame 也可以用 to_pandas() ：

>>> ts['b'] = [1.2, 3.4, 5.4]
>>> df_new = ts.to_pandas()
>>> df_new
            a    b
time
2015-07-04  1  1.2
2015-07-05  2  3.4
2015-07-06  3  5.4

支持time列中缺少的值，并将其正确转换为pandas的NaT对象：

>>> ts.time[2] = np.nan
>>> ts
<TimeSeries length=3>
             time               a      b
             Time             int64 float64
----------------------------- ----- -------
2015-07-04T00:00:00.000000000     1     1.2
2015-07-05T00:00:00.000000000     2     3.4
                          ———     3     5.4
>>> df_missing = ts.to_pandas()
>>> df_missing
           a    b
time
2015-07-04  1  1.2
2015-07-05  2  3.4
NaT         3  5.4