datetime 索引_时间序列：字符串与datetime相互转换

利用str或strftime方法（传入一个格式化字符串），datetime对象和pandas的Timestamp对象可以被格式化为字符串：

In [111]: stamp=datetime(2011,1,3)

将datetime对象转换为字符串

In [112]: str(stamp)

Out[112]: '2011-01-03 00:00:00'

使用strftime定义展示格式

In [113]: stamp.strftime('%Y-%m-%d')

Out[113]: '2011-01-03'

datetime.strptime：将字符串转换为格式化编码

In [114]: value='2011-01-03'

In [115]: datetime.strptime(value,'%Y-%m-%d')

Out[115]: datetime.datetime(2011, 1, 3, 0, 0)

In [117]: datestrs=['7/6/2011','8/6/2011']

In [118]: [datetime.strptime(x,'%m/%d/%Y') for x in datestrs]

Out[118]: [datetime.datetime(2011, 7, 6, 0, 0), datetime.datetime(2011, 8, 6, 0, 0)]

Datetime.strptime是通过已知格式进行日期解析的最佳方式。但是每次都要编写格式定义是很麻烦的事情，尤其是对于一些常见的日期格式。在这种情况下，可以用dateutil这个第三方包中的parser.parse方法：

In [119]: from dateutil.parser import parse

In [120]: parse('2011-01-03')

Out[120]: datetime.datetime(2011, 1, 3, 0, 0)

dateutil可以解析几乎所有人类能够理解的日期表示形式（中文不行）：

In [121]: parse('Jan 31,1997 10:45 PM')

Out[121]: datetime.datetime(2018, 1, 31, 22, 45)

dayfirst=True：解决日在月前面的问题

在国际通用的格式中，日通常出现在月的前面，传入dayfirst=True即可解决 问题：

In [122]: parse('6/12/2011',dayfirst=True)

Out[122]: datetime.datetime(2011, 12, 6, 0, 0)

Pandas通常是用于处理成组日期的，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。对标准日期格式（如ISO8601）的解析非常快。

In [123]: datestrs

Out[123]: ['7/6/2011', '8/6/2011']

In [124]: pd.to_datetime(datestrs)

Out[124]: DatetimeIndex(['2011-07-06', '2011-08-06'], dtype='datetime64[ns]', freq=None)

In [125]: idx=pd.to_datetime(datestrs+[None])

In [126]: idx

Out[126]: DatetimeIndex(['2011-07-06', '2011-08-06', 'NaT'], dtype='datetime64[ns]', freq=None)

In [127]: idx[2]

Out[127]: NaT

In [128]: pd.isnull(idx)

Out[128]: array([False, False, True], dtype=bool)

NaT（Not a Time）是pandas中时间戳数据的NA值。

「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」

「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」