13.数据转换之python日期格式处理

前言

原因：在做数据清洗的时候，往往会遇到数据格式不一致的情况，因此需要数据转换。

常见的数据转换：

1. 日期格式数据处理
2. 字符串数据处理
3. 高级函数数据处理

日期格式数据处理

• Pandas使用to_datatime()方法将文本格式转换为日期格式
• dataframe数据类型如果为datatime64,可以使用dt方法取出年月日等
• 对于时间差数据，可以使用timedelta函数将其转换为指定时间单位的数值
• 时间差数据，可以使用dt方法访问其常用属性

sec_cars['Boarding_time']=pd.to_datatime(sec_cars['Boarding_time'])
sec_cars['diff_day']=pd.datatime.today-sec_cars['Boarding_time']
sec_cars['Boarding_time'].dt.year
sec_cars['diff_day']/pd.Timedelta('1 hour')
Timedelta.dt.days

import numpy as np
import pandas as pd
import os
os.chdir(r'你的路径')
df=pd.read_csv('',encoding='utf-8',dtype={'user_id':str})

df.head(5)
df.info()
#转换数据类型后
#即转换为datatime64[ns]时间戳格式后就可以使用pd中的各种时间处理方法了
#para1:源数据；para:目的数据格式；paras:非源数据格式不会报错;
df['buy_data']=pd.to_datatime(df['day'],format='%Y%m%d',errors='coerce')
#转换为datatime64[ns]时间戳格式后就可以使用dt提取日期了
df['buy_data'].dt.day或df['buy_data'].dt.year或df['buy_data'].dt.month
#计算时间差
pd['diff_day']=pd.datatimme.now()-df['buy_data']
#查看结果
df.head(10)
0 1925 days 14:53:07.420000
#查看数据格式
df.dtypes
#diff_day 为timedelta64[ns]格式即时间差格式
#加dt代表是日期格式的数据，使用dt方法提取days属性
df['diff_day'].dt.days#提取天数1925
df['diff_day'].dt.seconds#提取秒 #将时分秒转化为秒数14*3600+53*60+7=53587
df['diff_day'].dt.microseconds#提取纳秒420000

df['diff_day'].head(4)
#将时间差转化为天数
df['时间差']=df['diff_day']/pd.Timedelta('1 D')
df['时间差'].head(5)
#将时间差转化为小时
df['时间差']=df['diff_day']/pd.Timedelta('1 H')
df['时间差'].head(5)
#将时间差转化为分钟
df['时间差']=df['diff_day']/pd.Timedelta('1 M')
df['时间差'].head(5)
#将科学计数 转化为小数位数计数
#2.333e+06转化后2333000.111
df['时间差'].round(decimals=3)

#将时间差转化为指定单位数值

df['diff_day'].astype('timedelta64[D]')#转化为D：天；Y：年；h:小时