1. 1KB的储存器有多少储存单元。储存单元的编号从多少到多少
1KB的存储器则它有1024个存储单元。 1KB代表最小的储存单元。它的编号为从0-1023。
存储器被划分成了若干个存储单元，每个存储单元都是从0开始顺序编号，如一个存储器有128个存储单元，则它的编号就是从0-127。
指针的内容是存储地址在存储器中有大量的存储元，把它们按相同的位划分为组，组内所有的存储元同时进行读出或写入操作，这样的一-组存储元称为一个存储单元。一个存储单元通常可以存放一个字节；存储单元是CPU访问存储器的基本单位。
(1)从0开始写时间序列存储扩展阅读
存储地址一般用十六进制数表示，而每一个存储器地址中又存放着一组二 进制(或十六进制)表示的数，通常称为该地址的内容。值得注意的是,存储单元的地址和地址中的内容两者是不一样的。
前者是存储单元的编号，表示存储器总的一个位置，而后者表示这个位置里存放的数据。正如一个是房间号码，一个是房间里住的人一样。
存放一个机器字的存储单元，通常称为字存储单元，相应的单元地址叫字地址。而存放一个字节的单元，称为字节存储单元，相应的地址称为字节地址。如果计算机中可以编址的最小单元是字存储单元，则该计算机称为按字寻址的计算机。
2. 作为一个存储元必须满足哪些条件
存储单元:多个存储元的集合
一般应具有存储数据和读写数据的功能，以8位二进制作为一个存储单元，也就是一个字节。每个单元有一个地址，是一个整数编码，可以表示为二进制整数。程序中的变量和主存储器的存储单元相对应。变量的名字对应着存储单元的地址，变量内容对应着单元所存储的数据。存储地址一般用十六进制数表示，而每一个存储器地址中又存放着一组二进制（或十六进制）表示的数，通常称为该地址的内容。
存储单位：在存储器中有大量的存储元，把它们按相同的位划分为组，组内所有的存储元同时进行读出或写入操作，这样的一组存储元称为一个存储单元。一个存储单元通常可以存放一个字节；存储单元是CPU访问存储器的基本单位。
存储单元
在计算机中最小的信息单位是bit，也就是一个二进制位，8个bit组成一个Byte，也就是字节。一个存储单元可以存储一个字节，也就是8个二进制位。计算机的存储器容量是以字节为最小单位来计算的，对于一个有128个存储单元的存储器，可以说它的容量为128字节。如果有一个1KB的存储器则它有1024个存储单元，它的编号为从0－1023。存储器被划分成了若干个存储单元，每个存储单元都是从0开始顺序编号，如一个存储器有128个存储单元，则它的编号就是从0-127。
存储地址一般用十六进制数表示，而每一个存储器地址中又存放着一组二进制（或十六进制）表示的数，通常称为该地址的内容。值得注意的是，存储单元的地址和地址中的内容两者是不一样的。前者是存储单元的编号，表示存储器中的一个位置，而后者表示这个位置里存放的数据。正如一个是房间号码，一个是房间里住的人一样。
存放一个机器字的存储单元，通常称为字存储单元，相应的单元地址叫字地址。而存放一个字节的单元，称为字节存储单元，相应的地址称为字节地址。如果计算机中可以编址的最小单元是字存储单元，则该计算机称为按字寻址的计算机。如果计算机中可编址的最小单位是字节，则该计算机称为按字节寻址的计算机。如果机器字长等于存储器单元的位数，一个机器字可以包含数个字节，所以一个存储单元也可以包含数个能够单独编址的字节地址。例如一个16位二进制的字存储单元可存放两个字节，可以按字地址寻址，也可以按字节地址寻址。当用字节地址寻址时，16位的存储单元占两个字节地址
3. 时间序列数据处理基础
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种 定量预测 方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。 时间序列分析 在第二次世界大战前应用于经济预测。二次大战中和战后，在军事科学、 空间科学 、气象预报和工业自动化等部门的应用更加广泛。 时间序列分析 (Time series analysis)是一种动态数据处理的 统计方法 。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的 统计规律 ，以用于解决实际问题。- 360网络
随着移动互联和物联网等的发展，现在很多领域也都会有时间序列数据需要进行处理，除了金融、农业、经济学、生态学、物理学等，还有现在很多地方常见的数据形式，数据点是根据某种规律定期出现（比如每15秒，每5分钟、每月出现一次）。
构成要素:长期趋势，季节变动，循环变动，兄肢不规则变动
长期趋势( T )现象在较长时期内受某种根本性因素作用而形成的总的变动趋势，例如股票的价格有的会看几年内的发展，需要考虑整体大的经济环境，行业，已野弊经公司等的发展。
季节变动( S )现象在一年内随着季节的变化而发生的有规律的周期性变动，比如股票会受短期的疫情，天气，人员行业变动等等内外部因素影响，在某些时段出现波动。
循环变动( C )现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动，比如羡脊世岁冷热季节涨跌的变化，旅游的热季淡季等。
不规则变动(I )是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型
根据不同使用场景，一般分为几种
datetime.datetime(2020, 4, 28, 9, 45, 2, 474920)
看当前时间的各个值
2020 4 28 9 45 2
时间类型可以直接相减，得到间隔
结果是间隔类型
datetime.timedelta(days=218, seconds=53100)
218
同样的，可以给 datetime 对象加上（或减去）一个或多个 timedelta，这样会产生一个新对象：
datetime.datetime(2014, 6, 17, 0, 0)
datetime 模块中的数据类型：
'2015-09-09 00-00-00'
'2015-09-09'
datetime.datetime(2015, 9, 9, 0, 0)
[datetime.datetime(2015, 7, 6, 0, 0), datetime.datetime(2015, 6, 2, 0, 0)]
datetime.strptime 是通过已知格式进行日期解析的最佳方式。但是每次都要编写格式定义是很麻烦的事情，尤其是对于一些常见的日期格式。这种情况下，你可以用 deteutil 这个第三方包中的 parser.parse 方法：
datetime.datetime(2015, 8, 9, 0, 0)
dateutil 可以解析几乎所有人类能够理解的日期表示形式]: i ,不过可惜中文不行
datetime.datetime(1993, 1, 31, 22, 10)
国际通用的格式中，日通常出现在月的前面
传入 dayfirst=True 即可解决这个问题
datetime.datetime(1993, 1, 31, 22, 10)
pandas 通常是用于处理成组日期的，不管这些日期是 DataFrame 的轴索引还是列。to_datetime 方法可以解析多种不同的日期表示形式。对标准日期格式（如 ISO8601）的解析非常快
它还可以处理缺失值（None、空字符串等）
NaT(Not a Time) 是 pandas 中的时间戳数据的 NA 值
datetime 格式定义：
有了时间数据对象基础，一系列的时间和指标就可以组成时间序列，可以用series对象存储处理，日期可以变成索引列
这些 datetime 对象实际是被放在一个 DatetimeIndex 中
现在 ts 就变成为一个 TimeSeries 了
不同索引的时间序列之间的算术运算会自动按日期对齐
只要需要，TimeStamp 可以随时自动转换为 datatime 对象。此外，它还可以存储频率信息（如果有的话），且知道如何执行时区转换以及其他操作。
由于 TimeSeries 是 Series 的一个子类，所以在索引以及数据选取方面他们的行为是一样的
由于大部分时间序列数据都是按照时间先后排序的
因此我们可以用不存在于时间序列中的时间戳进行切片
跟之前一样，这里可以传入字符串日期、datetime 或 Timestamp。此外还有一个等价的实例方法也可以截取两个日期之间的 TimeSeries：
在某些应用场景中，可能会存在多个观测数据落在同一个时间点上的情况
通过检查索引的 is_unique 属性，我们可以知道它是不是唯一的
对这个时间序列进行索引，要么产生标量值，要么产生切片
具体要看所选的时间点是否重复
假设我们想要对具体非唯一时间戳的数据进行聚合。一个办法是使用 groupby，并传入 level=0（索引的唯一一层）：