python datetime strftime_Python中处理日期时间库的使用方法

最近在搞一个项目，遇到时间处理相关的需求。真的是实战需求导致学习需求，于是百度谷歌了一番，常用的时间处理方法和函数整理出本文。用百分之20时间，学会解决时间问题百分之80的问题。

常用的库有time、datetime。其中datetime库是对time库的封装，所以使用起来更加便捷。date是指日期时间(年月日)处理，time往往更加细小的单位(小时分秒等)的时间处理。

一、datetime库

1.1 datetime.date类

表示日期的类，常用的属性有year、month、day。参数都为整数。import datetime

#任何一天someday = datetime.date(year=2018,month=1,day=1)somedaydatetime.date(2018, 1, 1)

日期的标准化格式符号%a  星期的简写。如 星期三为Web

%A  星期的全写。如 星期三为Wednesday

%b  月份的简写。如4月份为Apr

%B  月份的全写。如4月份为April

%c:  日期时间的字符串表示。(如： 04/07/10 10:43:39)

%d:  日在这个月中的天数(是这个月的第几天)

%f:  微秒(范围[0,999999])

%H:  小时(24小时制，[0, 23])

%I:  小时(12小时制，[0, 11])

%j:  日在年中的天数 [001,366](是当年的第几天)

%m:  月份([01,12])

%M:  分钟([00,59])

%p:  AM或者PM

%S:  秒(范围为[00,61]，为什么不是[00, 59]

%U:  周在当年的周数当年的第几周)，星期天作为周的第一天

%w:  今天在这周的天数，范围为[0, 6]，6表示星期天

%W:  周在当年的周数(是当年的第几周)，星期一作为周的第一天

%x:  日期字符串(如：04/07/10)

%X:  时间字符串(如：10:43:39)

%y:  2个数字表示的年份

%Y:  4个数字表示的年份

%z:  与utc时间的间隔 (如果是本地时间，返回空字符串)

%Z:  时区名称(如果是本地时间，返回空字符串)

以规定的格式返回。print(someday.strftime('%Y-%m-%d'))print(someday.strftime('%Y/%m/%d'))2018-01-01

2018/01/01

生成如‘2018-01-01’someday.isoformat()'2018-01-01'

今天datetime.date.today()datetime.date(2018, 1, 4)

根据给定的时间戮，返回一个date对象import time

datetime.date.fromtimestamp(time.time())datetime.date(2018, 1, 4)

1.2 datetime.time类

表示时间的类，参数包括hour、minute、second、microsecond。 time类的方法同datetime类。

看看isoformat、strftime方法会返回什么sometime = datetime.time(hour=12,minute=50,second=12,microsecond=10)sometimedatetime.time(12, 50, 12, 10)

时间的格式化处理print(sometime.isoformat())print(sometime.strftime('%H:%M:%S'))print(sometime.strftime('%H::%M::%S'))12:50:12.000010

12:50:12

12::50::12

1.3 datetime.datetime类

日期实践类，常用的参数包含year、month、day、hour、minute、second、microsecond。但是至少要包含year、month、day三个参数。datetime.datetime(year=2018,month=1,day=1,hour=12,minute=50,second=12,microsecond=10)datetime.datetime(2018, 1, 1, 12, 50, 12, 10)

只含有年月日datetime.datetime(2018,1,1)datetime.datetime(2018, 1, 1, 0, 0)

看看isoformat、strftime方法会返回什么somedatetime = datetime.datetime(2018,1,1)#isoformat、strftimeprint(somedatetime.isoformat())print(somedatetime.strftime('%Y-%m-%d %H:%M:%S'))2018-01-01T00:00:00

2018-01-01 00:00:00

1.4 datetime.timedelta类

表示时间间隔类，给一个时间点加上此类，即可得到一个新的时间。

参数包含days、hours、minutes、seconds、microseconds。#1天零1小时零1分零1秒又10毫秒的时间间隔datetime.timedelta(days=1,hours=1,minutes=1,seconds=1,microseconds=10)datetime.timedelta(1, 3661, 10)

35天间隔datetime.timedelta(days=35)datetime.timedelta(35)

现在+/-时间间隔操作print(datetime.datetime.now())print(datetime.datetime.now()+datetime.timedelta(days=35))print(datetime.datetime.now()-datetime.timedelta(days=35))print(datetime.datetime.now()-datetime.timedelta(hours=10))print(datetime.datetime.now()-datetime.timedelta(hours=10,days=1))2018-01-04 23:59:37.437627

2018-02-08 23:59:37.438283

2017-11-30 23:59:37.438775

2018-01-04 13:59:37.438987

2018-01-03 13:59:37.439190

二、time库

常用的方法有time、localtimeimport time

timestamp = time.time()print('时间戳: ',timestamp)locaoltime = time.localtime(timestamp)print('当地时间: ',locaoltime)#转化为有格式的时间，如只显示年月日print(time.strftime('%Y-%m-%d %H:%M:%S',locaoltime))时间戳:  1515081476.966094

当地时间:  time.struct_time(tm_year=2018, tm_mon=1, tm_mday=4, tm_hour=23, tm_min=57, tm_sec=56, tm_wday=3, tm_yday=4, tm_isdst=0)

2018-01-04 23:57:56

三、pandas库时间处理函数

获取当前时间，并返回出年月日规范格式。形如 2017-01-04

常用的方法有：pd.date_range() 生成一个时间段

pd.bdate_range() 生成一个时间段，跟date_range()不同，可见下面代码

df.asfreq() 生成以一定时间间隔的序列

3.1 根据始末时间生成时间段

pd.date_range(start, end, freq)生成一个时间段

freq参数由英文(M D H Min 。。。)、英文数字结合。D表示一天，M表示一月如20D表示20天，5M表示5个月。#生成20171011-20171030pd.date_range('20171011', '20171030',freq='5D')DatetimeIndex(['2017-10-11', '2017-10-16', '2017-10-21', '2017-10-26'], dtype='datetime64[ns]', freq='5D')

3.2 根据起始向后生成时间段

pd.date_range(日期字符串, periods=5, freq='T') 生成一个时间段

periods ：时间段长度，整数类型

freq： 时间单位。月日时分秒。M D H ...import pandas as pd

#20171231 12:50时间点开始，生成以月为间隔，长度为5的时间段tm_rng = pd.date_range('20171231 12:50',periods=5,freq='M')print(type(tm_rng))print(tm_rng)

DatetimeIndex(['2017-12-31 12:50:00', '2018-01-31 12:50:00','2018-02-28 12:50:00', '2018-03-31 12:50:00',

'2018-04-30 12:50:00'],dtype='datetime64[ns]', freq='M')

我们发现date_range()生成的是index，那么我们就可以索引为日期类型的dateframe#生成一个Series，时间段为索引tm_series = pd.Series(range(len(tm_rng)),index=tm_rng)tm_series2017-12-31 12:50:00    0

2018-01-31 12:50:00    1

2018-02-28 12:50:00    2

2018-03-31 12:50:00    3

2018-04-30 12:50:00    4

Freq: M, dtype: int64

3.3 根据给定时间点向前(向后)生成时间段

pd.bdate_range(end,periods,freq) 根据end时间点开始,以freq为单位，向前生成周期为period的时间序列

pd.bdate_range(start,periods,freq) 根据start时间点开始,以freq为单位，向后生成周期为period的时间序列#向前5天print(pd.bdate_range(end='20180101',periods=5,freq='D'))DatetimeIndex(['2017-12-28', '2017-12-29', '2017-12-30', '2017-12-31','2018-01-01'],dtype='datetime64[ns]', freq='D')#向后5天print(pd.bdate_range(start='20180101',periods=5,freq='D'))DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04','2018-01-05'],dtype='datetime64[ns]', freq='D')

改变时间间隔对dateframe或者series对象操作，更改对象中时间的时间间隔。

dateframe.asfreq(freq='时间间隔',method='填充方式',fill_value='对Nan值进行填充')freq格式：M D H Min 。。。与数字结合。如20D表示20天，5M表示5个月。

method：有pad、backfill两种填充方式

fill_value：缺失值更改为fill_value的值。#改变时间间隔,以20天为间隔tm_series.asfreq('20D',method='pad')2017-12-31 12:50:00    0

2018-01-20 12:50:00    0

2018-02-09 12:50:00    1

2018-03-01 12:50:00    2

2018-03-21 12:50:00    2

2018-04-10 12:50:00    3

2018-04-30 12:50:00    4

Freq: 20D, dtype: int64#改变时间间隔,以20天为间隔tm_series.asfreq('20D',method='backfill')2017-12-31 12:50:00    0

2018-01-20 12:50:00    1

2018-02-09 12:50:00    2

2018-03-01 12:50:00    3

2018-03-21 12:50:00    3

2018-04-10 12:50:00    4

2018-04-30 12:50:00    4

Freq: 20D, dtype: int64#改变时间间隔,以100小时为间隔tm_series.asfreq('100H')2017-12-31 12:50:00    0.0

2018-01-04 16:50:00    NaN

2018-01-08 20:50:00    NaN

2018-01-13 00:50:00    NaN

.....

2018-04-10 12:50:00    NaN

2018-04-14 16:50:00    NaN

2018-04-18 20:50:00    NaN

2018-04-23 00:50:00    NaN

2018-04-27 04:50:00    NaN

Freq: 100H, dtype: float64#改变时间间隔,以100小时为间隔tm_series.asfreq('100H',fill_value='缺失值')2017-12-31 12:50:00      0

2018-01-04 16:50:00    缺失值

2018-01-08 20:50:00    缺失值

2018-01-13 00:50:00    缺失值

.....

2018-04-14 16:50:00    缺失值

2018-04-18 20:50:00    缺失值

2018-04-23 00:50:00    缺失值

2018-04-27 04:50:00    缺失值

Freq: 100H, dtype: object

3.4 可以统一日期格式data = pd.Series(['May 20, 2017','2017-07-12','20170930','2017/10/11','2017 12 11'])pd.to_datetime(data)0   2017-05-20

1   2017-07-12

2   2017-09-30

3   2017-10-11

4   2017-12-11

dtype: datetime64[ns]

3.5 提取指定日期的数据

如下tm_rng是以5小时时间间隔，生成了20个数据。我们只要2018-01-02的数据。对Series或Dataframe都可以使用日期字符串操作，选取指定时间范围的数据。import pandas as pd

import numpy as np

tm_rng = pd.date_range('2017-12-31 12:00:00',periods=20,freq='5H')tm_series = pd.Series(np.random.randn(len(tm_rng)), index=tm_rng)print(type(tm_series))print(tm_series)

2017-12-31 12:00:00    0.618465

2017-12-31 17:00:00   -0.963631

2017-12-31 22:00:00   -0.782348

.....

2018-01-04 06:00:00   -0.681123

2018-01-04 11:00:00   -0.710626

Freq: 5H, dtype: float64#我们只要tm_series中是2018-01-02的数据tm_series['2018-01-02']2018-01-02 04:00:00    0.293941

2018-01-02 09:00:00   -1.437363

2018-01-02 14:00:00   -0.527275

2018-01-02 19:00:00    1.140872

Freq: 5H, dtype: float64#我们要2018年的数据，结果全保留tm_series['2018']2018-01-01 03:00:00   -0.363019

2018-01-01 08:00:00    0.426922

2018-01-01 13:00:00   -1.118425

2018-01-01 18:00:00    0.956300

.....

2018-01-03 20:00:00   -1.967839

2018-01-04 01:00:00   -0.654029

2018-01-04 06:00:00   -0.681123

2018-01-04 11:00:00   -0.710626

Freq: 5H, dtype: float64dft = pd.DataFrame(np.random.randn(len(tm_rng)), index=tm_rng)print(type(dft))print(dft)

2017-12-31 12:00:00  0.213331

2017-12-31 17:00:00  1.920131

2017-12-31 22:00:00 -1.608645

2018-01-01 03:00:00 -0.226439

2018-01-01 08:00:00 -0.558741

.....

2018-01-03 20:00:00  0.866822

2018-01-04 01:00:00 -0.361902

2018-01-04 06:00:00  0.902717

2018-01-04 11:00:00 -0.431569#对dataframe中的时间操作，只要2018-01-04日的数据print(type(dft['2018-01-04']))print(dft['2018-01-04'])

2018-01-04 01:00:00 -0.361902

2018-01-04 06:00:00  0.902717

2018-01-04 11:00:00 -0.431569

数据采集

文本处理分析

图片数据处理

其他