本文隶属加速数据分析系列教程，重点讲解如何利用 RAPIDS cuDF 高效处理时间序列数据。您将系统学习从数据格式化、重采样到滚动窗口分析的完整流程，并了解如何借助 GPU 加速将处理耗时缩短数倍，显著提升数据分析效率。

什么是时间序列数据？

时间序列数据是指按时间顺序排列的数据点集合，通常包含时间戳变量。在实际业务中，它的应用场景非常广泛：

• 金融行业欺诈检测
• 零售业销售预测
• 天气预报传感器读数
• 内容推荐系统

时间序列数据往往需要大量的转换操作，如重采样和滚动窗口平滑。在传统 pandas 中，这些操作受单线程限制，处理大型数据集时速度明显变慢。而 RAPIDS cuDF 提供了与 pandas 高度相似的 API，但通过 GPU 并行计算，可将处理速度提升 最高 40 倍。它特别适合那些“金发姑娘”数据集——既不太大也不太小，单机 pandas 处理吃力，但又无需引入分布式框架。

数据集：Meteonet

本教程选用 Meteonet 天气数据集，包含 2016 年至 2018 年巴黎各地气象站的读数（含缺失值和异常值），数据规模约为 12.5 GB。我们将模拟数据科学家首次接收该数据时的场景，进行探索性分析与格式化处理。

分析方法概述

整篇分析基于 Time Series Data Analysis Using cuDF 笔记本（可从 RAPIDS GitHub 仓库获取），主要任务包括：

1. 格式化数据帧
2. 对时间序列重采样
3. 运行滚动窗口分析

本文聚焦上述三个核心步骤，完整笔记本还包含数据清洗等环节，此处不再赘述。

步骤 1：格式化数据帧

首先导入必要的库：

# Import the necessary packages
import cudf
import cupy as cp
import pandas as pd

读取 CSV 数据：

## Read in data
gdf = cudf.read_csv('./SE_data.csv')

接下来，我们只关注风速 (ff)、湿度 (hu) 和温度 (t) 这 3 个气象参数，删除其他无关列：

gdf = gdf.drop(columns=['dd','precip','td','psl'])

将日期列转换为 datetime 数据类型，并查看前五行和数据集形状：

# Change the date column to the datetime data type. Look at the DataFrame info
gdf['date'] = cudf.to_datetime(gdf['date'])
gdf.head()
Gdf.shape

表 1. 数据集前五行

输出显示 DataFrame 形状为 (127515796, 8)，即约 1275 万行、8 列。

接下来，我们检查采样频率：

## Investigate the sampling frequency with the diff() function to calculate the time diff
## dt.seconds, which is used to find the seconds value in the datetime frame. Then apply the 
## max() function to calculate the maximum date value of the series.
delta_mins = gdf['date'].diff().dt.seconds.max()/60
print(f"The dataset collection covers from {gdf['date'].min()} to {gdf['date'].max()} with {delta_mins} minute sampling interval")

输出：数据集覆盖从 2016-01-01T00:00:00.000000000 到 2018-12-31T23:54:00.000000000，采样间隔为 6 分钟。

现在将时间增量分离为独立列（年、月、日、小时、分钟），方便后续切片：

gdf['year'] = gdf['date'].dt.year
gdf['month'] = gdf['date'].dt.month
gdf['day'] = gdf['date'].dt.day
gdf['hour'] = gdf['date'].dt.hour
gdf['mins'] = gdf['date'].dt.minute
gdf.tail

表 2. 增加时间增量列后的结果

现在，我们可以选择特定时间范围和气象站来进一步分析：

# Use the cupy.logical_and(...) function to select the data from a specific time range.
import pandas as pd
start_time = pd.Timestamp('2017-02-01T00')
end_time = pd.Timestamp('2018-11-01T00')
station_id = 84086001
gdf_period = gdf.loc[cp.logical_and(cp.logical_and(gdf['date']>start_time,gdf['date']