pd.to_datetime()

pandas.to_datetime（arg，errors ='raise'，utc = None，format = None，unit = None ）

pandas通常用于处理成组日期，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。

（1）获取指定的时间和日期

例如：df[''date]数据类型为“object”，通过pd.to_datetime将该列数据转换为时间类型，即datetime。

df['date_formatted']=pd.to_datetime(df['date'],format='%Y-%m-%d')

pandas时间序列基础以及时间、日期处理

pandas最基本的时间序列类型就是以时间戳（时间点）（通常以python字符串或datetime对象表示）为索引的Series：

dates = ['2017-06-20','2017-06-21',\
   '2017-06-22','2017-06-23','2017-06-24','2017-06-25','2017-06-26','2017-06-27']
import numpy as np
ts = pd.Series(np.random.randn(8),index = pd.to_datetime(dates))
ts
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 2017-06-24 0.981214
 2017-06-25 0.314127
 2017-06-26 -0.127258
 2017-06-27 1.919773
 dtype: float64

ts.index
 DatetimeIndex(['2017-06-20', '2017-06-21', '2017-06-22', '2017-06-23',
     '2017-06-24', '2017-06-25', '2017-06-26', '2017-06-27'],
     dtype='datetime64[ns]', freq=None)
pandas不同索引的时间序列之间的算术运算会自动按日期对齐
ts[::2]#从前往后每隔两个取数据
 2017-06-20 0.788811
 2017-06-22 0.009967
 2017-06-24 0.981214
 2017-06-26 -0.127258
 dtype: float64
ts[::-2]#从后往前逆序每隔两个取数据
 2017-06-27 1.919773
 2017-06-25 0.314127
 2017-06-23 -1.024626
 2017-06-21 0.372555
 dtype: float64
ts + ts[::2]#自动数据对齐
 2017-06-20 1.577621
 2017-06-21   NaN
 2017-06-22 0.019935
 2017-06-23   NaN
 2017-06-24 1.962429
 2017-06-25   NaN
 2017-06-26 -0.254516
 2017-06-27   NaN
 dtype: float64

索引为日期的Series和DataFrame数据的索引、选取以及子集构造

方法： 
1）.index[number_int]
2)[一个可以被解析为日期的字符串]
3）对于，较长的时间序列，只需传入‘年'或‘年月'可返回对应的数据切片
4）通过时间范围进行切片索引
 

ts 
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 2017-06-24 0.981214
 2017-06-25 0.314127
 2017-06-26 -0.127258
 2017-06-27 1.919773
 dtype: float64
 
ts[ts.index[2]] 
 0.0099673896063391908
 
ts['2017-06-21']#传入可以被解析成日期的字符串 
 0.37255538918121028
 
ts['21/06/2017'] 
 0.37255538918121028
 
ts['20170621'] 
 0.37255538918121028
 
ts['2017-06']#传入年或年月 
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 2017-06-24 0.981214
 2017-06-25 0.314127
 2017-06-26 -0.127258
 2017-06-27 1.919773
 dtype: float64
 
ts['2017-06-20':'2017-06-23']#时间范围进行切片 
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 dtype: float64

带有重复索引的时间序列
1）.index.is_unique检查索引日期是否是唯一的
2）对非唯一时间戳的数据进行聚合，通过groupby，并传入level = 0（索引的唯一一层）

dates = pd.DatetimeIndex(['2017/06/01','2017/06/02','2017/06/02','2017/06/02','2017/06/03'])
dates
 
 DatetimeIndex(['2017-06-01', '2017-06-02', '2017-06-02', '2017-06-02',
     '2017-06-03'],
     dtype='datetime64[ns]', freq=None)
 
dup_ts = pd.Series(np.arange(5),index = dates)
dup_ts
 
 2017-06-01 0
 2017-06-02 1
 2017-06-02 2
 2017-06-02 3
 2017-06-03 4
 dtype: int32
 
dup_ts.index.is_unique
 
 False
 
dup_ts['2017-06-02']
 
 2017-06-02 1
 2017-06-02 2
 2017-06-02 3
 dtype: int32
 
grouped = dup_ts.groupby(level=0).mean()
 
grouped
 
 2017-06-01 0
 2017-06-02 2
 2017-06-03 4
 dtype: int32
 
dup_df = pd.DataFrame(np.arange(10).reshape((5,2)),index = dates )
dup_df