52_Pandas处理日期和时间列（字符串转换、日期提取等）

最新推荐文章于 2024-09-26 10:41:17 发布
最新推荐文章于 2024-09-26 10:41:17 发布
阅读量2.1w 收藏 59
点赞数 10
分类专栏： Pandas 文章标签： pandas python 数据分析 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_18351157/article/details/127703926
版权

52_Pandas处理日期和时间列（字符串转换、日期提取等）

将解释如何操作表示 pandas.DataFrame 的日期和时间（日期和时间）的列。字符串与 datetime64[ns] 类型的相互转换，将日期和时间提取为数字的方法等。

以下内容进行说明。

将字符串转换为 datetime64[ns] 类型（时间戳类型）：to_datetime()

时间戳类型属性/方法

使用 dt 访问器批量处理整个列

提取日期、星期几等。

将日期时间转换为任何格式的字符串

转换为 Python 数据帧类型，NumPy datetime64[ns] 类型数组

对于 dt 中未提供的方法

对于日期时间索引

从文件读取时将字符串转换为 datetime64[ns] 类型

如何将 datetime64[ns] 类型指定为索引并将其处理为时序数据以及如何使用，请参考以下文章。

以带有以下 csv 文件的 pandas.DataFrame 为例。

import pandas as pd
import datetime

df = pd.read_csv('./data/sample_datetime_multi.csv')

print(df)
#                  A                   B
#0  2017-11-01 12:24   2017年11月1日 12时24分
#1  2017-11-18 23:00  2017年11月18日 23时00分
#2   2017-12-05 5:05    2017年12月5日 5时05分
#3   2017-12-22 8:54   2017年12月22日 8时54分
#4  2018-01-08 14:20    2018年1月8日 14时20分
#5  2018-01-19 20:01   2018年1月19日 20时01分

将字符串转换为 datetime64[ns] 类型（时间戳类型）：to_datetime()

使用 pandas.to_datetime() 函数，您可以将表示日期和时间的字符串列 pandas.Series 转换为 datetime64[ns] 类型。

print(pd.to_datetime(df['A']))
# 0   2017-11-01 12:24:00
# 1   2017-11-18 23:00:00
# 2   2017-12-05 05:05:00
# 3   2017-12-22 08:54:00
# 4   2018-01-08 14:20:00
# 5   2018-01-19 20:01:00
# Name: A, dtype: datetime64[ns]

如果格式不标准，请在参数格式中指定格式字符串。

print(pd.to_datetime(df['B'], format='%Y年%m月%d日 %H时%M分'))
# 0   2017-11-01 12:24:00
# 1   2017-11-18 23:00:00
# 2   2017-12-05 05:05:00
# 3   2017-12-22 08:54:00
# 4   2018-01-08 14:20:00
# 5   2018-01-19 20:01:00
# Name: B, dtype: datetime64[ns]

即使原始格式不同，如果指示的日期和时间相同，则 datetime64[ns] 类型值是等价的。

print(pd.to_datetime(df['A']) == pd.to_datetime(df['B'], format='%Y年%m月%d日 %H时%M分'))
# 0    True
# 1    True
# 2    True
# 3    True
# 4    True
# 5    True
# dtype: bool

如果要将转换为 datetime64[ns] 类型的列作为新列添加到 pandas.DataFrame，请指定新列名并分配它。如果您指定原始列名，它将被覆盖。

df['X'] = pd.to_datetime(df['A'])

print(df)
#                   A                   B                   X
#0  2017-11-01 12:24   2017年11月1日 12时24分 2017-11-01 12:24:00
#1  2017-11-18 23:00  2017年11月18日 23时00分 2017-11-18 23:00:00
#2   2017-12-05 5:05    2017年12月5日 5时05分 2017-12-05 05:05:00
#3   2017-12-22 8:54   2017年12月22日 8时54分 2017-12-22 08:54:00
#4  2018-01-08 14:20    2018年1月8日 14时20分 2018-01-08 14:20:00
#5  2018-01-19 20:01   2018年1月19日 20时01分 2018-01-19 20:01:00

时间戳类型属性/方法

pandas.to_datetime() 函数转换的列的dtype是datetime64[ns]类型，每个元素都是Timestamp类型。

print(df)
#                   A                   B                   X
# 0  2017-11-01 12:24   2017年11月1日 12时24分 2017-11-01 12:24:00
# 1  2017-11-18 23:00  2017年11月18日 23时00分 2017-11-18 23:00:00
# 2   2017-12-05 5:05    2017年12月5日 5时05分 2017-12-05 05:05:00
# 3   2017-12-22 8:54   2017年12月22日 8时54分 2017-12-22 08:54:00
# 4  2018-01-08 14:20    2018年1月8日 14时20分 2018-01-08 14:20:00
# 5  2018-01-19 20:01   2018年1月19日 20时01分 2018-01-19 20:01:00

print(df.dtypes)
# A            object
# B            object
# X    datetime64[ns]
# dtype: object

print(df['X'][0])
# 2017-11-01 12:24:00

print(type(df['X'][0]))
# <class 'pandas._libs.tslib.Timestamp'>

Timestamp 类型继承并扩展了 Python 标准库 datetime 的 datetime 类型。

print(issubclass(pd.Timestamp, datetime.datetime))
# True

可以获取年、月、日（年、月、日）、时、分、秒（时、分、秒）、星期几（字符串：weekday_name，数字：dayofweek）等作为属性。

print(df['X'][0].year)
# 2017

print(df['X'][0].weekday_name)
# Wednesday

还可以使用 to_pydatetime() 转换为 Python 标准库 datetime 类型，使用 to_datetime64() 转换为 NumPy datetime64[ns] 类型。

py_dt = df['X'][0].to_pydatetime()
print(type(py_dt))
# <class 'datetime.datetime'>

dt64 = df['X'][0].to_datetime64()
print(type(dt64))
# <class 'numpy.datetime64'>

timestamp() 是一种以浮点浮点类型返回 UNIX 时间（纪元秒 = 自 1970 年 1 月 1 日 00:00:00 以来的秒数）的方法。如果需要整数，请使用 int()。

print(df['X'][0].timestamp())
# 1509539040.0

print(pd.to_datetime('1970-01-01 00:00:00').timestamp())
# 0.0

print(int(df['X'][0].timestamp()))
# 1509539040

与 Python 标准库中的 datetime 类型一样，strftime() 可用于转换为任何格式的字符串。请参阅下文，了解如何将其应用于列的所有元素。

print(df['X'][0].strftime('%Y/%m/%d'))
# 2017/11/01

使用 dt 访问器批量处理整个列

有一个 str 访问器将字符串处理应用于整个 pandas.Series。

提取日期、星期几。

与Timestamp类型一样，年、月、日（年、月、日）、时、分、秒（时、分、秒）、星期几（字符串：weekday_name，数字：dayofweek）等都可以作为属性获得。 在 dt 之后写下每个属性名称。 pandas.Series 的每个元素都被处理并返回 pandas.Series。

print(df['X'].dt.year)
# 0    2017
# 1    2017
# 2    2017
# 3    2017
# 4    2018
# 5    2018
# Name: X, dtype: int64

print(df['X'].dt.hour)
# 0    12
# 1    23
# 2     5
# 3     8
# 4    14
# 5    20
# Name: X, dtype: int64

也可以使用 dayofweek（星期一为 0，星期日为 6）仅提取一周中特定日期的行。

print(df['X'].dt.dayofweek)
# 0    2
# 1    5
# 2    1
# 3    4
# 4    0
# 5    4
# Name: X, dtype: int64

print(df[df['X'].dt.dayofweek == 4])
#                   A                  B                   X
# 3   2017-12-22 8:54  2017年12月22日 8时54分 2017-12-22 08:54:00
# 5  2018-01-19 20:01  2018年1月19日 20时01分 2018-01-19 20:01:00

将日期时间转换为任何格式的字符串

当使用 astype() 方法将 datetime64[ns] 类型的列转换为字符串 str 类型时，它会转换为标准格式的字符串。

print(df['X'].astype(str))
# 0    2017-11-01 12:24:00
# 1    2017-11-18 23:00:00
# 2    2017-12-05 05:05:00
# 3    2017-12-22 08:54:00
# 4    2018-01-08 14:20:00
# 5    2018-01-19 20:01:00
# Name: X, dtype: object

dt.strftime() 可用于一次将列转换为任何格式的字符串。也可以使其成为仅具有日期或仅具有时间的字符串。

print(df['X'].dt.strftime('%A, %B %d, %Y'))
# 0    Wednesday, November 01, 2017
# 1     Saturday, November 18, 2017
# 2      Tuesday, December 05, 2017
# 3       Friday, December 22, 2017
# 4        Monday, January 08, 2018
# 5        Friday, January 19, 2018
# Name: X, dtype: object

print(df['X'].dt.strftime('%Y年%m月%d日'))
# 0    2017年11月01日
# 1    2017年11月18日
# 2    2017年12月05日
# 3    2017年12月22日
# 4    2018年01月08日
# 5    2018年01月19日
# Name: X, dtype: object

如果要将转换为字符串的列作为新列添加到 pandas.DataFrame，请指定新列名并分配它。如果您指定原始列名，它将被覆盖。

df['en'] = df['X'].dt.strftime('%A, %B %d, %Y')
df['cn'] = df['X'].dt.strftime('%Y年%m月%d日')

print(df)
#                   A                   B                   X  \
# 0  2017-11-01 12:24   2017年11月1日 12时24分 2017-11-01 12:24:00   
# 1  2017-11-18 23:00  2017年11月18日 23时00分 2017-11-18 23:00:00   
# 2   2017-12-05 5:05    2017年12月5日 5时05分 2017-12-05 05:05:00   
# 3   2017-12-22 8:54   2017年12月22日 8时54分 2017-12-22 08:54:00   
# 4  2018-01-08 14:20    2018年1月8日 14时20分 2018-01-08 14:20:00   
# 5  2018-01-19 20:01   2018年1月19日 20时01分 2018-01-19 20:01:00   
#                              en           cn
# 0  Wednesday, November 01, 2017  2017年11月01日  
# 1   Saturday, November 18, 2017  2017年11月18日  
# 2    Tuesday, December 05, 2017  2017年12月05日  
# 3     Friday, December 22, 2017  2017年12月22日  
# 4      Monday, January 08, 2018  2018年01月08日  
# 5      Friday, January 19, 2018  2018年01月19日

转换为 Python 数据帧类型，NumPy datetime64[ns] 类型数组

可以使用 dt.to_pydatetime() 获得一个 NumPy 数组 ndarray，其元素是 Python 标准库的日期时间类型对象。

print(df['X'].dt.to_pydatetime())
# [datetime.datetime(2017, 11, 1, 12, 24)
#  datetime.datetime(2017, 11, 18, 23, 0)
#  datetime.datetime(2017, 12, 5, 5, 5)
#  datetime.datetime(2017, 12, 22, 8, 54)
#  datetime.datetime(2018, 1, 8, 14, 20)
#  datetime.datetime(2018, 1, 19, 20, 1)]

print(type(df['X'].dt.to_pydatetime()))
print(type(df['X'].dt.to_pydatetime()[0]))
# <class 'numpy.ndarray'>
# <class 'datetime.datetime'>

NumPy的datetime64[ns]类型数组可以用values属性代替方法获取。

print(df['X'].values)
# ['2017-11-01T12:24:00.000000000' '2017-11-18T23:00:00.000000000'
#  '2017-12-05T05:05:00.000000000' '2017-12-22T08:54:00.000000000'
#  '2018-01-08T14:20:00.000000000' '2018-01-19T20:01:00.000000000']

print(type(df['X'].values))
print(type(df['X'].values[0]))
# <class 'numpy.ndarray'>
# <class 'numpy.datetime64'>

对于 dt 中未提供的方法

例如，Timestamp 类型有一个返回 UNIX 时间（秒）的方法 (timestamp())，但 dt 访问器没有。在这种情况下，使用 map() 即可。

print(df['X'].map(pd.Timestamp.timestamp))
# 0    1.509539e+09
# 1    1.511046e+09
# 2    1.512450e+09
# 3    1.513933e+09
# 4    1.515421e+09
# 5    1.516392e+09
# Name: X, dtype: float64

如果要转换为整数 int 类型，请使用 astype() 方法。

print(df['X'].map(pd.Timestamp.timestamp).astype(int))
# 0    1509539040
# 1    1511046000
# 2    1512450300
# 3    1513932840
# 4    1515421200
# 5    1516392060
# Name: X, dtype: int64

对于日期时间索引

在处理时间序列数据时非常有用。有关详细信息，请参阅下面的文章。

在示例中，set_index() 用于将现有列指定为索引，为方便起见，使用 drop() 方法删除多余的列。

df_i = df.set_index('X').drop(['en', 'cn'], axis=1)

print(df_i)
#                                     A                   B
# X                                                        
# 2017-11-01 12:24:00  2017-11-01 12:24   2017年11月1日 12时24分
# 2017-11-18 23:00:00  2017-11-18 23:00  2017年11月18日 23时00分
# 2017-12-05 05:05:00   2017-12-05 5:05    2017年12月5日 5时05分
# 2017-12-22 08:54:00   2017-12-22 8:54   2017年12月22日 8时54分
# 2018-01-08 14:20:00  2018-01-08 14:20    2018年1月8日 14时20分
# 2018-01-19 20:01:00  2018-01-19 20:01   2018年1月19日 20时01分

print(df_i.index)
# DatetimeIndex(['2017-11-01 12:24:00', '2017-11-18 23:00:00',
#                '2017-12-05 05:05:00', '2017-12-22 08:54:00',
#                '2018-01-08 14:20:00', '2018-01-19 20:01:00'],
#               dtype='datetime64[ns]', name='X', freq=None)

DatetimeIndex 类型索引具有年、月、日（年、月、日）、时、分、秒（时、分、秒）、星期几（字符串：weekday_name，数字：dayofweek）等属性，以及方法如由于提供了 strftime()，因此可以一次处理所有索引元素，而无需通过 dt 属性。

返回类型因属性和方法而异，不是pandas.Series，但如果要在pandas.DataFrame中添加新列，可以指定新列名并分配。

print(df_i.index.minute)
# Int64Index([24, 0, 5, 54, 20, 1], dtype='int64', name='X')

print(df_i.index.strftime('%y/%m/%d'))
# ['17/11/01' '17/11/18' '17/12/05' '17/12/22' '18/01/08' '18/01/19']

df_i['min'] = df_i.index.minute
df_i['str'] = df_i.index.strftime('%y/%m/%d')

print(df_i)
#                                     A                   B  min       str
# X
# 2017-11-01 12:24:00  2017-11-01 12:24   2017年11月1日 12时24分   24  17/11/01
# 2017-11-18 23:00:00  2017-11-18 23:00  2017年11月18日 23时00分    0  17/11/18
# 2017-12-05 05:05:00   2017-12-05 5:05    2017年12月5日 5时05分    5  17/12/05
# 2017-12-22 08:54:00   2017-12-22 8:54   2017年12月22日 8时54分   54  17/12/22
# 2018-01-08 14:20:00  2018-01-08 14:20    2018年1月8日 14时20分   20  18/01/08
# 2018-01-19 20:01:00  2018-01-19 20:01   2018年1月19日 20时01分    1  18/01/19

从文件读取时将字符串转换为 datetime64[ns] 类型

从文件中读取数据时，可以在读取时将字符串转换为 datetime64[ns] 类型。 对于 pandas.read_csv() 函数，在参数 parse_dates 中指定要转换为 datetime64[ns] 类型的列号列表。请注意，即使只有一个，也必须列出。

df_csv = pd.read_csv('data/sample_datetime_multi.csv', parse_dates=[0])

print(df_csv)
#                     A                   B
# 0 2017-11-01 12:24:00   2017年11月1日 12时24分
# 1 2017-11-18 23:00:00  2017年11月18日 23时00分
# 2 2017-12-05 05:05:00    2017年12月5日 5时05分
# 3 2017-12-22 08:54:00   2017年12月22日 8时54分
# 4 2018-01-08 14:20:00    2018年1月8日 14时20分
# 5 2018-01-19 20:01:00   2018年1月19日 20时01分

print(df_csv.dtypes)
# A    datetime64[ns]
# B            object
# dtype: object

df_csv_jp = pd.read_csv('./data/sample_datetime_multi.csv',
                        parse_dates=[1],
                        date_parser=lambda date: pd.to_datetime(date, format='%Y年%m月%d日 %H时%M分'))

print(df_csv_jp)
#                   A                   B
# 0  2017-11-01 12:24 2017-11-01 12:24:00
# 1  2017-11-18 23:00 2017-11-18 23:00:00
# 2   2017-12-05 5:05 2017-12-05 05:05:00
# 3   2017-12-22 8:54 2017-12-22 08:54:00
# 4  2018-01-08 14:20 2018-01-08 14:20:00
# 5  2018-01-19 20:01 2018-01-19 20:01:00

print(df_csv_jp.dtypes)
# A            object
# B    datetime64[ns]
# dtype: object

可以使用参数 index_col 指定要索引的列。

在这种情况下，如果参数 parse_dates=True，索引列将被转换为 datetime64[ns] 类型。

df_csv_jp_i = pd.read_csv('./data/sample_datetime_multi.csv',
                          index_col=1,
                          parse_dates=True,
                          date_parser=lambda date: pd.to_datetime(date, format='%Y年%m月%d日 %H时%M分'))

print(df_csv_jp_i)
#                                     A
# B                                    
# 2017-11-01 12:24:00  2017-11-01 12:24
# 2017-11-18 23:00:00  2017-11-18 23:00
# 2017-12-05 05:05:00   2017-12-05 5:05
# 2017-12-22 08:54:00   2017-12-22 8:54
# 2018-01-08 14:20:00  2018-01-08 14:20
# 2018-01-19 20:01:00  2018-01-19 20:01

print(df_csv_jp_i.index)
# DatetimeIndex(['2017-11-01 12:24:00', '2017-11-18 23:00:00',
#                '2017-12-05 05:05:00', '2017-12-22 08:54:00',
#                '2018-01-08 14:20:00', '2018-01-19 20:01:00'],
#               dtype='datetime64[ns]', name='B', freq=None)

读取 Excel 文件的 pandas.read_excel() 函数也有参数 parse_dates、date_parser 和 index_col，因此在读取时也可以进行类似的转换。有关 pandas.read_excel() 函数的信息，请参阅以下文章。

饺子大人
关注
专栏目录
Pandas教程：使用strftime函数将Dataframe中的日期格式数据列转化为指定格式的日期字符串列
uote_e的博客
06-17 1676
在Pandas中，我们可以使用strftime函数将Dataframe中的日期格式数据列按照指定格式（format）转化为日期（时间）字符串数据列。在上面的代码中，我们定义了一个lambda函数来对每个日期格式数据进行处理，通过调用datetime库中的strftime函数，将日期格式数据转化为指定格式（‘%Y/%m/%d’）的日期字符串。然后，我们使用pandas的to_datetime函数将数据列转化为日期格式，并将转化后的日期格式数据列赋值给原始Dataframe。
pandas使用strftime函数将dataframe的日期格式数据列按照指定格式（format）转化为日期（时间）字符串数据列
data+scenario+science+insight
07-17 1491
pandas使用strftime函数将dataframe的日期格式数据列按照指定格式（format）转化为日期（时间）字符串数据列
pandas把某一列的时间格式化为字符串
weixin_42601702的博客
01-06 1899
可以使用pandas的to_datetime函数来将时间列转换为字符串格式。例如： import pandas as pd# 假设df是一个包含时间列的数据框 df['time_column'] = pd.to_datetime(df['time_column']) # 现在可以使用strftime函数来将时间列格式化为字符串 df['time_column'] = df['time_colum...
pandas如何将日期数据转换为其他格式以便于分析？
最新发布
weixin_43822401的博客
09-26 305
将日期数据转换为其他格式有助于进行更深入的数据分析。
pandas 字符串转换为日期，日期转换为字符串
qq_39470214的博客
10-10 921
pandas 字符串转换为日期，日期转换为字符串
是否将Python Pandas中的列名从DateTime对象更改为字符串？
wangbadan121的专栏
07-06 249
在这个例子中，我们首先创建了一个包含DateTime对象的DataFrame。然后，我们将列名从DateTime对象转换为字符串，使用`strftime('%Y-%m-%d %H:%M:%S')`函数将每个DateTime对象格式化为'YYYY-MM-DD HH:MM:SS'的字符串。例如，如果我们正在分析一些销售数据，其中包含日期和时间戳，我们可能需要将这些时间戳转换为字符串以便于进一步的分析。是的，可以解决这个问题。这个例子没有包含测试用例，因为这个问题本身很简单，只需要简单的代码即可解决。
Pandas中将列类型从字符串转换为日期时间格式
python收藏家的博客
06-24 1509
在上面的例子中，我们将列“Treatment_start”和“Treatment_end”的数据类型从“object”更改为“datetime64[ns]”类型。在上面的示例中，我们将列“Dates”的数据类型从“object”更改为“datetime64[ns]”，格式从“yymmdd”更改为“yyyymmdd”。正如我们在输出中所看到的，“Date”列的格式已更改为datetime格式。正如我们在输出中所看到的，“Date”列的格式已更改为datetime格式。
pandas日期字段处理--pandas日期和字符串之间的相互转换，从日期字段中提取年月日、时分秒、周数、季度等
热门推荐
Jalen big data analysis的博客
01-06 3万+
1、pandas导入数据（以导入csv文件为例）。 2、将str类型/object类型转换为datetime类型，强制转换，跳过错误。 3、将str类型/object类型转换为datetime类型，提取年月日时分秒。 4、利用字符串截取原理，提取年月日时分秒。 5、其他时间处理方法。
python中pandas处理日期时间
06-26
有两种方法可以将字符串转换为日期时间对象： 1. 在`read_csv()`函数中使用`parse_dates`参数。例如： ```python rides = pd.read_csv('capital-onebike.csv', parse_dates=['Start date', 'End date']) ``` 这...
pandas进行时间数据的转换和计算时间差并提取年月日
09-19
在数据分析和处理中，Pandas库提供了强大的时间序列操作功能，包括时间数据的转换、计算时间差以及提取日期中的年、月、日等信息。本文将深入探讨这些关键知识点，并通过具体的示例代码来帮助理解。 首先，Pandas库...
Python数据处理033：pandas中dataframe的date列转换成字符串或字符串转换成日期
若北辰
08-26 9574
strftime从date类型转换成字符串类型 data中date列(sysdate)提取其中的年月日信息到新的列（date_key） data['date_key'] = data.sysdate.map(lambda x: x.strftime('%Y-%m-%d')) 将字符串列转换成date列 1、pd.to_datetime data['date_key'] = pd.to_datetime(data['date_key']) 2、strptime data['date_key'] = dat
pandas实现将日期转换成timestamp
12-23
OUTLINE 常见的时间字符串与timestamp之间的转换 日期与timestamp之间的转换 常见的时间字符串与timestamp之间的转换 这里说的字符串不是一般意义上的字符串，是指在读取日期类型的数据时，如果还没有及时解析字符串，它就还不是日期类型，那么此时的字符串该怎么与时间戳之间进行转换呢？ ① 时间字符串转化成时间戳 将时间字符串转化成时间戳分为两步： 第一步：将时间字符串转换成时间元组 第二步：将时间元组转换成时间戳类型 import time data['timestamp'] = data['OCC_TIM'].apply(lambda x:time.mktime(
Python Pandas 时间序列分析 日期时间的处理和转换
weixin_42098295的博客
01-10 1828
它可以是降采样（减少数据点，如从日到月）或升采样（增加数据点，如从月到日）。是处理和转换日期时间数据的重要工具。要生成的时间点数量。时间点的频率，如 'D'（每天），'M'（月末），'H'（每小时）等。控制间隔的哪一端是闭合的，可选项包括 'left'、'right'。聚合到时间戳（'timestamp'）还是时期（'period'）。重采样频率，如 'D'（天）、'M'（月）、'A'（年）等。进行时间序列分析时，日期和时间的算术运算是一个重要的特性。指定解析日期时间的格式（如 '%Y-%m-%d'）。
【Pandas】datetime转换到string的三种方法
Allan_lam的博客
05-26 7350
三种方法将datetime转换为str，包括最灵活的.strftime()，因为日期格式可以自定义，和格式都是’%Y-%m-%d’（‘2023-05-26’）的.isoformat()和f'{}'
pandas中datetime格式转成字符串
weixin_42594419的博客
02-09 702
可以使用pandas中的to_datetime函数将datetime格式转换为字符串，例如：pd.to_datetime(datetime_object).strftime('%Y-%m-%d %H:%M:%S')
Pandas中的字符串和时间转换与格式化
qq_37944726的博客
01-06 6381
Pandas 提供了若干个函数来格式化时间。
pandas将字符串转换成时间_Pandas里的日期转字符串
weixin_35654096的博客
01-28 2157
Pandas对时间序列的处理可以说是功能繁多，但感觉找遍了度娘，也没有发现一个能把日期处理成“2017-11”这样到月份格式的方法。后来发现了一个strftime方法，很简单：df['time'].strftime('%Y-%m')#以下是格式定义代码 说明%Y 4位数的年%y 2位数的年%m 2位数的月[01,12]%d 2位数的日[01，31]%H 时(24小时制)[00,23]%...
Pandas里时间类型批量转字符串类型
qq_37142734的博客
12-16 2830
import pandas as pd import random times = pd.date_range(start='2021-06-01',end='2021-07-29',freq='6H') #批量生成时间段内的月数据 df = pd.DataFrame(columns=['时间','传感器名称','原始值1','原始值2','工程值']) #初始化列名 df['时间']=times #测试数据列数据为批量生成的数据 df['传感器名称']='yl002' #设置传感
pandas提取日期数据
m0_53207697的博客
03-28 1311
pandas提取时间数据
pandas 日期处理
09-10
对于使用Python进行日期处理，pandas库是非常常用的工具。使用pandas，你可以轻松地操作、处理和分析日期数据。 首先，确保你已经安装了pandas库。如果没有安装，可以通过运行以下命令来安装它： ``` pip install pandas ``` 一旦安装完成，你可以通过导入pandas来开始使用它： ```python import pandas as pd ``` 下面是一些常见的日期处理操作示例： 1. 将字符串转换为日期格式： ```python date_string = '2022-01-01' date = pd.to_datetime(date_string) ``` 2. 创建一个日期范围： ```python date_range = pd.date_range(start='2022-01-01', end='2022-01-31', freq='D') ``` 3. 提取日期的年、月、日等信息： ```python date = pd.to_datetime('2022-01-01') year = date.year month = date.month day = date.day ``` 4. 计算日期之间的差距： ```python date1 = pd.to_datetime('2022-01-01') date2 = pd.to_datetime('2022-01-31') diff = date2 - date1 ``` 5. 将日期作为索引进行数据框过滤和切片： ```python df = pd.DataFrame({'date': pd.date_range(start='2022-01-01', end='2022-01-31'), 'value': range(31)}) df.set_index('date', inplace=True) filtered_df = df['2022-01-10':'2022-01-20'] ``` 这只是pandas提供的一些基本日期处理操作示例，还有更多功能可以探索。你可以通过查阅pandas官方文档来了解更多关于日期处理的详细信息：https://pandas.pydata.org/docs/user_guide/timeseries.html
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值