7 min de leitura

#8 - Datas e Séries Temporais no Pandas

Como gerar datas com date_range(), usar datas como índice de um DataFrame, extrair ano e mês com o acessor .dt e reamostrar séries com resample().

#8 - Datas e Séries Temporais no Pandas

Fechando esta segunda leva de posts sobre Pandas, falta um tipo de dado que aparece o tempo todo em análises reais: datas. Vendas por dia, pedidos por mês, sensores registrando uma medida por hora — sempre que existe uma dimensão de tempo envolvida, vale a pena aprender a trabalhar com ela do jeito que o Pandas foi desenhado pra lidar: não como texto solto, mas como uma estrutura temporal de verdade.

Relembrando o to_datetime()

Lá no post sobre limpeza de dados você já viu o pd.to_datetime(), usado pra converter uma coluna de texto (com formatos até inconsistentes) numa coluna do tipo datetime64. Ele continua sendo o ponto de entrada pra qualquer data que já existe nos seus dados, vinda de um CSV ou de uma API:

import pandas as pd

data = pd.to_datetime("2026-03-10")
print(data)
print(type(data))

A saída é:

2026-03-10 00:00:00
<class 'pandas._libs.tslibs.timestamps.Timestamp'>

Um Timestamp é o jeito do Pandas de representar um ponto específico no tempo — o equivalente a um datetime do Python puro, só que otimizado pra trabalhar em massa dentro de uma Series ou de um índice.

Gerando sequências de datas com date_range()

Quando você precisa de uma sequência de datas — pra simular dados, gerar um calendário ou servir de índice — pd.date_range() gera exatamente isso.

Exemplo 1 - sequência diária

datas = pd.date_range("2026-01-01", periods=5)
print(datas)

DatetimeIndex(['2026-01-01', '2026-01-02', '2026-01-03', '2026-01-04',
               '2026-01-05'],
              dtype='datetime64[ns]', freq='D')

periods define quantas datas gerar, e a frequência padrão é diária (freq='D').

Exemplo 2 - outras frequências

print(pd.date_range("2026-01-01", periods=5, freq="ME"))

DatetimeIndex(['2026-01-31', '2026-02-28', '2026-03-31', '2026-04-30',
               '2026-05-31'],
              dtype='datetime64[ns]', freq='ME')

freq="ME" gera o último dia de cada mês (month end). Outros aliases comuns: "W" (semanal), "h" (a cada hora), "MS" (primeiro dia de cada mês) e "B" (dias úteis, pulando sábado e domingo).

Nota: em versões mais antigas do Pandas o alias de fim de mês era "M"; a partir do Pandas 2.2 o recomendado é "ME", pra deixar mais claro que se trata de fim de mês (month end) e não de minuto. Se você encontrar freq="M" em código ou tutorial mais antigo, é a mesma ideia.

Usando datas como índice

Onde datas realmente brilham no Pandas é como índice de um DataFrame — isso libera uma série de operações específicas pra série temporal, como fatiar por período e reamostrar.

datas = pd.date_range("2026-01-01", periods=12, freq="D")
vendas = [120, 95, 140, 80, 110, 130, 150, 90, 100, 125, 115, 105]

df = pd.DataFrame({"vendas": vendas}, index=datas)
print(df.head())

A saída é:

            vendas
2026-01-01     120
2026-01-02      95
2026-01-03     140
2026-01-04      80
2026-01-05     110

Exemplo 3 - fatiando por período

Com um DatetimeIndex, o .loc aceita strings de data diretamente, inclusive um intervalo:

print(df.loc["2026-01-03":"2026-01-06"])

            vendas
2026-01-03     140
2026-01-04      80
2026-01-05     110
2026-01-06     130

O mesmo funciona com um período parcial, como só o mês (df.loc["2026-01"] traria todas as linhas de janeiro) — o Pandas entende a string e expande automaticamente pro intervalo correspondente.

Extraindo partes de uma data com o acessor .dt

Assim como o .str dá acesso a métodos de string, o .dt dá acesso aos componentes de uma coluna de datas — só que aqui ele se aplica a uma coluna comum do tipo datetime64, não ao índice (pra extrair partes do índice, o acesso é direto, como df.index.year).

Exemplo 4 - ano, mês e dia da semana

pedidos = pd.DataFrame({
    "pedido": [1, 2, 3, 4],
    "data_pedido": pd.to_datetime(["2026-01-05", "2026-02-14", "2026-03-01", "2026-01-20"])
})

pedidos["ano"] = pedidos["data_pedido"].dt.year
pedidos["mes"] = pedidos["data_pedido"].dt.month
pedidos["dia_semana"] = pedidos["data_pedido"].dt.day_name()

print(pedidos)

   pedido data_pedido   ano  mes dia_semana
0       1  2026-01-05  2026    1     Monday
1       2  2026-02-14  2026    2   Saturday
2       3  2026-03-01  2026    3     Sunday
3       4  2026-01-20  2026    1    Tuesday

Nota: .dt.day_name() devolve o nome do dia em inglês por padrão. Pra obter os nomes em português, é preciso passar um locale instalado no sistema operacional (.dt.day_name(locale="pt_BR.utf8")) — o que depende de configuração fora do Pandas, então nem sempre está disponível. Uma alternativa mais portátil é mapear o resultado em inglês pra português com um dicionário próprio.

Outros atributos úteis do .dt: .dt.day (dia do mês), .dt.quarter (trimestre), .dt.is_month_end (booleano indicando se a data é o último dia do mês).

Reamostrando com resample()

resample() é o groupby() do mundo das séries temporais: agrupa os dados em intervalos de tempo regulares (a cada 3 dias, a cada semana, a cada mês) e aplica uma agregação a cada intervalo.

Exemplo 5 - somando vendas a cada 5 dias

print(df.resample("5D").sum())

            vendas
2026-01-01     545
2026-01-06     595
2026-01-11     220

Os 12 dias do DataFrame viraram três intervalos de 5 dias — o primeiro de 01 a 05, o segundo de 06 a 10, e o terceiro com só os 2 dias restantes (11 e 12), já que a sequência acabou antes de completar mais um intervalo cheio. Cada rótulo mostra a data de início do intervalo correspondente.

Isso fecha esta segunda leva de posts sobre Pandas: seleção e filtragem, agrupamento e agregação, combinação de tabelas, texto e categorias, e agora datas e séries temporais. Combinado com o que a série já tinha sobre limpeza e visualização, você tem agora um conjunto bem completo de ferramentas pra qualquer análise no dia a dia. A partir do próximo post, a série volta ao Matplotlib pra ir além do básico: a interface orientada a objetos com Figure e Axes.

Fonte adaptada: Pandas - Date Functionality