时间模块datetime

1.时间模块：datetime

主要需要掌握：
	datatime.date()
    datetime.datetime()
    datetime.timedelta()
    日期解析方法：parser.parse
    
1.datetime.date：date对象
	：datetime.date.today：返回今日 输出格式为date类
      datetime.date(2020,3,18):直接得到当时日期
            
2.datetime.datetime：datetime对象
	：datetime.datetime.now() ：输出当前时间 年月日时分秒，可以通过str装换为字符串 格式为datetime类
      datetime.datetime(2020,3,18,13,8,52):至少输入年月日
     注意：两个时间可以直接相减得到时间差
3.datetime.timedelta:时间差
    ：datetime.datetime也有now()方法
      datetime.timedelte主要用于时间差运算，相当于可被识别的时间差值，例如：
        	today = datetime.datetime.today()  # datetime.datetime也有today()方法
			yestoday = today - datetime.timedelta(1)
            # 上述会得到前一天的时间
4.parser.parse：
	作用：日期字符串转化，直接将str转化成datetime.datetime，各种格式都可以解析，但是无法解析中文
    注意：导入的模块是：
    	from dateutil.parser import parse
        t = parse('要被识别的日期字符串')

2.pandas时刻数据：timestamp

概念：时刻数据代表时间点，是pandas的数据类型，是将值与时间点相关联的最基本时间序列数据

1.pd.Teststmap()
	直接生成pandas的时刻数据 ---> 时间戳，数据类型为pandas的Timestamp
    作用类似于dateutil.parser的parse

2.pd.to_datetime()
	如果是单个时间数据，转换成pandas的时刻数据，数据类型为Timestamp,如果是多个时间数据，
    将会转换为pandas的 datetimeindex类型，例如：
    	lst_date = [ '2017-12-21', '2017-12-22', '2017-12-23']
		t3 = pd.to_datetime(lst_date)
    
    to_datetime也可以叫做多个时间数据转换时间戳索引，转换类型都是datetimeindex
    
    注意：当一组时间序列中夹杂其他格式的数据，可以使用errors参数返回，例如：
    	date3 = ['2017-2-1','2017-2-2','2017-2-3','hello world!','2017-2-5','2017-2-6']
		t3 = pd.to_datetime(date3, errors = 'ignore')
        解释：date3 中含有一个字符串 hello world 无法被解析，所以需要在转化的时候加一个参数errors
        	 类似于python中的exception。
        errors参数：
        	errors = "ingore" :不可解析时返回原始输入，结果为一般数组
            errors = "coerce" :补课扩展，如果遇到不可解析的，直接当缺失值处理，结果为datetimeindex
                
           
    

3.pandas时间戳索引：datetimeindex

核心：pd.date_range()

1.pd.datetimeindex:
	rng = pd.DatetimeIndex(['12/1/2017','12/2/2017','12/3/2017','12/4/2017','12/5/2017'])
    1.直接生成时间戳索引，支持str,datetime.datetime
    2.单个时间戳为timestamp，多个时间戳为datetimestap
    3.以datetimeindex为index的series，为timeseries，时间序列
    
2.pd.date_range():
    作用：生成日期范围
    方法：
    	1.start + end:
            rng1 = pd.date_range('1/1/2017','1/10/2017', normalize=True)
            解释：生成从2017.1.1到2017.1.10的日期数据，默认频率为1天，normalize是否设置成凌晨零点
        2.start/end + periods
        	rng2 = pd.date_range(start = '1/1/2017', periods = 10)
            解释：periods是偏移量，设置生成2017.1.1往后10天的数据
        	rng3 = pd.date_range(end = '1/30/2017 15:00:00', periods = 10) #增加了时、分、秒
            解释：生成最终日期为2017.1.30之前10天的数据
            
date_range参数详解：

参数	作用
start	开始时间
end	结束时间
periods	偏移量
freq	频率 默认是天
tz	时区
normalize	时间是否归为凌晨零点
name	索引对象名称
closed	默认为None的情况下，左闭右闭，left则左闭右开，right则左开右闭

注意：
	date_range()默认的是日历日，也就是不区分周六周末
	bdate_range()默认频率是工作日 ，也就是周一到周五
	
日期范围：频率 ---> freq