Python时间相关处理

---恢复内容开始---

日期和时间数据类型及工具

python标准库包含于日期（data）和时间（time）数据的数据类型，datetime\time以及calendar模块会被经常用到

 

datetime以毫秒形式存储日期和时间，datetime.timedelta表示两个datetime对象之间的时间差

 

给datetime对象加上或减去一个或多个timedelta，会产生一个新的对象。

 

datetime模块中的数据类型

date：以公历形式存储日历日期(年、月、日)

time：将时间存储时、分、秒、毫秒

datetime：存储和日期

timedelta：表示两个datetime值之间的差（日、秒、毫秒）

 

 

 

字符串和datetime的相互转换

1）Python标准库函数

日期转换成字符串：利用str或strftime

字符串转换成日期：datetime.strptime

 

2）第三方库dateutil.parser的时间解析函数

 

3）pandas处理成组日期

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

 

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

 

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

 

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]   #得到序列值

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，只需要传入年或年月可返回对应的数据切片

 

带有重复索引的时间序列

1）.index.is_unique检查索引日期是否是惟一的

2）对于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)

 

 

 1 from datetime import datetime
 2 
 3 stamp=datetime(2017,6,27)
 4 
 5 str(stamp)
 6 
 7 stamp.strftime("%y-%m-%d")
 8 
 9 #对多个时间进行解析成字符串
10 date=["2017-6-26","2017-6-27"]
11 
12 datetime2=[datetime.strptime(x,"%Y-%m-%d") for x in date]
13 
14 datetime2
15 
16 
17 #第三方库dateutil.parser的时间解析函数
18 from dateutil.parser import parse
19 
20 parse('2017-6-27')
21 
22 parse("27/6/2017",dayfirst=True)
23 
24 
25 date
26 
27 import pandas as pd
28 pd.to_datetime(date)
29 
30 
31 
32 ###pandas时间序列基础及时间、日期处理
33 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']
34 
35 import numpy as np
36 ts=pd.Series(np.random.randn(8),index=pd.to_datetime(dates))
37 
38 #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
39 ts[::2]
40 
41 ts+ts[::2]
42 
43 
44 ###索引为日期的Series和DataFrame数据的索引、选取以及子集构造方法
45 ts[ts.index[2]]
46 
47 ts["2017-06-21"]  #传入可以被解析成日期的字符串
48 
49 ts['21/06/2017']
50 
51 ts['20170621']
52 
53 ts["2017-06"]
54 
55 ts['2017-06-20':'2017-06-23']
56 
57 
58 ###带有重复索引的时间序列
59 dates=pd.DatetimeIndex(['2017/06/01','2017/06/02','2017/06/02','2017/06/02','2017/06/03'])
60 dates
61 
62 dup_ts=pd.Series(np.arange(5),index=dates)
63 dup_ts
64 
65 dup_ts.index.is_unique
66 
67 dup_ts["2017-06-02"]
68 
69 grouped=dup_ts.groupby(level=0).mean()   #索引的唯一一层
70 
71 
72 
73 dup_df=pd.DataFrame(np.arange(10).reshape((5,2)),index=dates)
74 dup_df
75 
76 grouped_df=dup_df.groupby(level=0).mean()

View Code

 

 

-----摘自：https://blog.csdn.net/ly_ysys629/article/details/73822716

---恢复内容结束---

转载于:https://www.cnblogs.com/U940634/p/9828472.html