这里，这个Period对象表示的是从2007年1月1日到2007年12月31日之间的整段时间。
只需对Period对象加上或减去一个整数即可达到根据其频率进行位移的效果：
如果两个Period对象拥有相同的频率，则它们的差就是它们之间的单位数量：
period_range函数可用于创建规则的时期范围：
PeriodIndex类保存了一组Period，它可以在任何pandas数据结构中被用作轴索引：
如果你有一个字符串数组，你也可以使用PeriodIndex类：
Period和PeriodIndex对象都可以通过其asfreq方法被转换成别的频率。假设我们有 一个年度时期，希望将其转换为当年年初或年末的一个月度时期。该任务非常简 单：
你可以将Period('2007','A-DEC')看做一个被划分为多个月度时期的时间段中的游 标。图11-1对此进行了说明。
对于一个不以12月结束的财政年度，月度子时期的归属情况就不一样了：
在将高频率转换为低频率时，超时期（superperiod）是由子时期（subperiod）所 属的位置决定的。例如，在A-JUN频率中，月份“2007年8月”实际上是属于周期“2008年”的：
完整的PeriodIndex或TimeSeries的频率转换方式也是如此：
这里，根据年度时期的第一个月，每年的时期被取代为每月的时期。
如果我们想要 每年的最后一个工作日，我们可以使用“B”频率，并指明想要该时期的末尾：
未完待续。。。
datetime.timedelta对象代表两个时间之间的时间差，两个date或datetime对象相减就可以返回一个timedelta对象。
利用以下数据进行说明：
如果我们发现时间相关内容的变量为int,float,str等类型，不方便后面的分析，就需要使用该函数转化为常用的时间变量格式：pandas.to_datetime
转换得到的时间单位如下：
如果时间序列格式不统一，pd.to_datetime()的处理方式：
当然，正确的转换是这样的：
第一步：to_datetime()
第二步：astype(datetime64[D]),astype(datetime64[M])
本例中：
order_dt_diff必须是Timedelta('0 days 00:00:00')格式，可能是序列使用了diff()
或者pct_change()。
前者往往要通过'/np.timedelta'去掉单位days。后者其实没有单位。
假如我们要统计某共享单车一天内不同时间点的用户使用数据，例如
还有其他维度的提取，年、月、日、周，参见：
Datetime properties
注意 ：.dt的对象必须为pandas.Series,而不可以是Series中的单个元素
