Python酷库之旅-第三方库Pandas(073)

目录

一、用法精讲

296、pandas.Series.dt.as_unit方法

296-1、语法

296-2、参数

296-3、功能

296-4、返回值

296-5、说明

296-6、用法

296-6-1、数据准备

296-6-2、代码示例

296-6-3、结果输出

297、pandas.Series.dt.days属性

297-1、语法

297-2、参数

297-3、功能

297-4、返回值

297-5、说明

297-6、用法

297-6-1、数据准备

297-6-2、代码示例

297-6-3、结果输出

298、pandas.Series.dt.seconds属性

298-1、语法

298-2、参数

298-3、功能

298-4、返回值

298-5、说明

298-6、用法

298-6-1、数据准备

298-6-2、代码示例

298-6-3、结果输出

299、pandas.Series.dt.microseconds属性

299-1、语法

299-2、参数

299-3、功能

299-4、返回值

299-5、说明

299-6、用法

299-6-1、数据准备

299-6-2、代码示例

299-6-3、结果输出

300、pandas.Series.dt.nanoseconds属性

300-1、语法

300-2、参数

300-3、功能

300-4、返回值

300-5、说明

300-6、用法

300-6-1、数据准备

300-6-2、代码示例

300-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

296、pandas.Series.dt.as_unit方法

296-1、语法

# 296、pandas.Series.dt.as_unit方法
pandas.Series.dt.as_unit(*args, **kwargs)

296-2、参数

296-2-1、unit(必须)：字符串，指定目标时间单位，具体包括：'Y'(年)、 'M'(月)、'D'(日)、'h'(小时)、 'm'(分钟)、's'(秒)、'ms'(毫秒)、 'us'(微秒)、'ns'(纳秒)。

296-3、功能

        将DatetimeIndex对象中的时间数据转换为指定的时间单位，这对于时间序列数据的处理非常有用，特别是在需要将时间数据从高精度单位转换为低精度单位时。

296-4、返回值

        返回一个新的pandas.Series对象，其中的时间数据被转换为指定的时间单位，转换后的数据会以指定的时间单位进行表示。

296-5、说明

        使用场景：

296-5-1、时间序列重采样： 在进行重采样操作时，可能需要将高频率的时间戳转换为低频率的时间单位。例如，将分钟级别的数据转换为小时级别的数据，方便进行日常或周分析。

296-5-2、特征工程： 在机器学习模型中，有时需要将时间特征转换为更易于理解或使用的格式。比如，将时间戳转换为天数或小时数，以便进行数值计算或分类。

296-5-3、可视化： 在数据可视化时，选择合适的时间单位可以使图表更清晰。例如，将秒级别的数据转换为分钟或小时，可以使图表更易于阅读。

296-5-4、统计分析： 进行时间序列的统计分析时，可能需要将数据转换为不同的时间单位，以便计算如平均值、标准差等统计量。

296-6、用法

296-6-1、数据准备

无

296-6-2、代码示例

# 296、pandas.Series.dt.as_unit方法
# 296-1、时间序列重采样
import pandas as pd
# 创建分钟级别的时间序列数据
minute_data = pd.Series(range(60), index=pd.date_range('2024-01-01', periods=60, freq='min'))
# 将数据重采样为小时
hourly_data = minute_data.resample('h').sum()
print(hourly_data, end='\n\n')

# 296-2、特征工程
import pandas as pd
# 创建一个时间序列
time_series = pd.Series(pd.date_range('2024-01-01', periods=10, freq='h'))
# 将时间转换为小时数
hours_since_start = (time_series - time_series.min()).dt.total_seconds() / 3600
print(hours_since_start, end='\n\n')

# 296-3、可视化
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个小时级别的时间序列数据
hourly_data = pd.Series(range(24), index=pd.date_range('2024-01-01', periods=24, freq='h'))
# 将数据按天显示
daily_data = hourly_data.resample('D').sum()
# 可视化
daily_data.plot(kind='bar', color='purple')
plt.title('Daily Data')
plt.xlabel('Date')
plt.ylabel('Value')
plt.xticks(rotation=0)
plt.show()

# 296-4、统计分析
import pandas as pd
# 创建一个包含随机时间戳的数据
timestamps = pd.Series(pd.date_range('2024-01-01', periods=100, freq='min'))
# 计算每分钟的计数，并转换为小时
count_per_hour = timestamps.dt.to_period('h').value_counts()
print(count_per_hour, end='\n\n')

296-6-3、结果输出

# 296、pandas.Series.dt.as_unit方法
# 296-1、时间序列重采样
# 2024-01-01    1770
# Freq: h, dtype: int64

# 296-2、特征工程
# 0    0.0
# 1    1.0
# 2    2.0
# 3    3.0
# 4    4.0
# 5    5.0
# 6    6.0
# 7    7.0
# 8    8.0
# 9    9.0
# dtype: float64

# 296-3、可视化
# 见图1

# 296-4、统计分析
# 2024-01-01 00:00    60
# 2024-01-01 01:00    40
# Freq: h, Name: count, dtype: int64

图1：

297、pandas.Series.dt.days属性

297-1、语法

# 297、pandas.Series.dt.days属性
pandas.Series.dt.days

297-2、参数

        无

297-3、功能

        用于提取时间间隔(timedelta)的天数部分，该属性通常应用于包含时间间隔数据的Series对象。

297-4、返回值

        返回一个新的Series，其值为原始时间间隔的天数部分，数据类型为整数(int64)。

297-5、说明

        使用场景：

297-5-1、项目管理和任务追踪：在项目管理中，可能需要分析任务的持续时间。例如，找到所有超过一定天数的任务。

297-5-2、营销活动分析：在分析营销活动的效果时，可能需要计算用户从注册到首次购买的天数，然后分析这段时间的分布。

297-5-3、工业和制造：在工业或制造领域，可能需要计算机器维修的间隔时间，并分析这些间隔时间以优化维护计划。

297-5-4、医疗健康：在医疗分析中，该属性可以用于计算患者在住院期间和康复期间的天数。

297-6、用法

297-6-1、数据准备

无

297-6-2、代码示例

# 297、pandas.Series.dt.qyear属性
# 297-1、项目管理和任务追踪
import pandas as pd
# 创建一个包含任务开始和结束时间的DataFrame
data = {
    'task_id': [1, 2, 3],
    'start_time': ['2024-01-01', '2024-01-05', '2024-01-10'],
    'end_time': ['2024-01-05', '2024-01-10', '2024-01-20']
}
df = pd.DataFrame(data)
df['start_time'] = pd.to_datetime(df['start_time'])
df['end_time'] = pd.to_datetime(df['end_time'])
# 计算每个任务的持续时间
df['duration'] = df['end_time'] - df['start_time']
# 提取持续时间中的天数
df['duration_days'] = df['duration'].dt.days
# 过滤掉持续时间超过5天的任务
long_tasks = df[df['duration_days'] > 5]
print(long_tasks, end='\n\n')

# 297-2、营销活动分析
import pandas as pd
# 创建一个包含用户注册和首次购买时间的DataFrame
data = {
    'user_id': [1001, 1002, 1003],
    'registration_date': ['2024-01-01', '2024-01-10', '2024-01-15'],
    'first_purchase_date': ['2024-01-15', '2024-01-20', '2024-01-25']
}
df = pd.DataFrame(data)
df['registration_date'] = pd.to_datetime(df['registration_date'])
df['first_purchase_date'] = pd.to_datetime(df['first_purchase_date'])
# 计算从注册到首次购买的时间间隔
df['time_to_first_purchase'] = df['first_purchase_date'] - df['registration_date']
# 提取间隔中的天数
df['days_to_first_purchase'] = df['time_to_first_purchase'].dt.days
print(df, end='\n\n')

# 297-3、工业和制造
import pandas as pd
# 创建一个包含机器维修记录的DataFrame
data = {
    'machine_id': [1, 1, 1, 2, 2],
    'repair_date': ['2024-01-01', '2024-01-15', '2024-02-01', '2024-01-10', '2024-01-25']
}
df = pd.DataFrame(data)
df['repair_date'] = pd.to_datetime(df['repair_date'])
# 按机器和时间排序记录
df = df.sort_values(by=['machine_id', 'repair_date'])
# 计算维修间隔
df['previous_repair_date'] = df.groupby('machine_id')['repair_date'].shift(1)
df['repair_interval'] = df['repair_date'] - df['previous_repair_date']
# 提取间隔中的天数
df['repair_interval_days'] = df['repair_interval'].dt.days
print(df, end='\n\n')

# 297-4、医疗健康
import pandas as pd
# 创建一个包含患者入院和出院日期的DataFrame
data = {
    'patient_id': [1, 2, 3],
    'admission_date': ['2024-01-01', '2024-01-10', '2024-01-15'],
    'discharge_date': ['2024-01-20', '2024-01-15', '2024-02-01']
}
df = pd.DataFrame(data)
df['admission_date'] = pd.to_datetime(df['admission_date'])
df['discharge_date'] = pd.to_datetime(df['discharge_date'])
# 计算住院天数
df['hospital_stay_duration'] = df['discharge_date'] - df['admission_date']
# 提取住院天数
df['hospital_stay_days'] = df['hospital_stay_duration'].dt.days
print(df)

297-6-3、结果输出

# 297、pandas.Series.dt.qyear属性
# 297-1、项目管理和任务追踪
#    task_id start_time   end_time duration  duration_days
# 2        3 2024-01-10 2024-01-20  10 days             10

# 297-2、营销活动分析
#    user_id registration_date  ... time_to_first_purchase days_to_first_purchase
# 0     1001        2024-01-01  ...                14 days                     14
# 1     1002        2024-01-10  ...                10 days                     10
# 2     1003        2024-01-15  ...                10 days                     10
# 
# [3 rows x 5 columns]

# 297-3、工业和制造
#    machine_id repair_date  ... repair_interval repair_interval_days
# 0           1  2024-01-01  ...             NaT                  NaN
# 1           1  2024-01-15  ...         14 days                 14.0
# 2           1  2024-02-01  ...         17 days                 17.0
# 3           2  2024-01-10  ...             NaT                  NaN
# 4           2  2024-01-25  ...         15 days                 15.0
# 
# [5 rows x 5 columns]

# 297-4、医疗健康
#    patient_id admission_date  ... hospital_stay_duration hospital_stay_days
# 0           1     2024-01-01  ...                19 days                 19
# 1           2     2024-01-10  ...                 5 days                  5
# 2           3     2024-01-15  ...                17 days                 17
# 
# [3 rows x 5 columns]

298、pandas.Series.dt.seconds属性

298-1、语法

# 298、pandas.Series.dt.seconds属性
pandas.Series.dt.seconds
Number of seconds (>= 0 and less than 1 day) for each element.

298-2、参数

        无

298-3、功能

        用于从时间间隔(即timedelta对象)中提取秒数，该属性返回时间间隔中所包含的整秒数，而不包括分钟、小时等更大单位的部分。

298-4、返回值

        一个Series对象，由整型构成，其中每个值表示对应时间间隔中的整秒数部分。

298-5、说明

        使用场景：

298-5-1、任务和事件持续时间分析：在项目管理中，通常需要分析每个任务或事件的持续时间，以便进行资源分配和效率评估。

298-5-2、网站会话分析：在网站分析中，了解用户会话的持续时间对于优化用户体验至关重要。

298-5-3、机器运行时间分析：在制造业中，分析机器的运行时间有助于维护和优化生产效率。

298-5-4、视频播放分析：在多媒体分析中，计算视频播放的持续时间有助于理解用户的观看行为。

298-6、用法

298-6-1、数据准备

无

298-6-2、代码示例

# 298、pandas.Series.dt.seconds属性
# 298-1、任务和事件持续时间分析
import pandas as pd
# 创建包含任务开始和结束时间的数据
data = {
    'task_id': [1, 2, 3],
    'start_time': ['2024-01-01 08:00:00', '2024-01-02 09:00:00', '2024-01-03 10:00:00'],
    'end_time': ['2024-01-01 08:30:30', '2024-01-02 09:45:15', '2024-01-03 10:25:50']
}
df = pd.DataFrame(data)
df['start_time'] = pd.to_datetime(df['start_time'])
df['end_time'] = pd.to_datetime(df['end_time'])
# 计算每个任务的持续时间
df['duration'] = df['end_time'] - df['start_time']
# 提取持续时间中的秒数
df['duration_seconds'] = df['duration'].dt.seconds
print(df, end='\n\n')

# 298-2、网站会话分析
import pandas as pd
# 创建包含用户会话开始和结束时间的数据
data = {
    'session_id': [101, 102, 103],
    'login_time': ['2024-01-01 10:00:00', '2024-01-01 10:15:00', '2024-01-01 11:00:00'],
    'logout_time': ['2024-01-01 10:25:00', '2024-01-01 10:30:30', '2024-01-01 11:20:45']
}
df = pd.DataFrame(data)
df['login_time'] = pd.to_datetime(df['login_time'])
df['logout_time'] = pd.to_datetime(df['logout_time'])
# 计算每个会话的持续时间
df['session_duration'] = df['logout_time'] - df['login_time']
# 提取会话持续时间中的秒数
df['session_duration_seconds'] = df['session_duration'].dt.seconds
print(df, end='\n\n')

# 298-3、机器运行时间分析
import pandas as pd
# 创建包含机器运行开始和结束时间的数据
data = {
    'machine_id': [1, 2, 3],
    'start_time': ['2024-01-01 06:00:00', '2024-01-01 12:00:00', '2024-01-01 18:00:00'],
    'end_time': ['2024-01-01 08:15:45', '2024-01-01 14:30:20', '2024-01-01 20:45:50']
}
df = pd.DataFrame(data)
df['start_time'] = pd.to_datetime(df['start_time'])
df['end_time'] = pd.to_datetime(df['end_time'])
# 计算每台机器的运行时间
df['running_duration'] = df['end_time'] - df['start_time']
# 提取运行时间中的秒数
df['running_duration_seconds'] = df['running_duration'].dt.seconds
print(df, end='\n\n')

# 298-4、视频播放分析
import pandas as pd
# 创建包含视频播放开始和结束时间的数据
data = {
    'video_id': [1, 2, 3],
    'start_time': ['2024-01-01 12:00:00', '2024-01-01 13:00:00', '2024-01-01 14:00:00'],
    'end_time': ['2024-01-01 12:10:30', '2024-01-01 13:15:45', '2024-01-01 14:20:50']
}
df = pd.DataFrame(data)
df['start_time'] = pd.to_datetime(df['start_time'])
df['end_time'] = pd.to_datetime(df['end_time'])
# 计算每次播放的持续时间
df['playback_duration'] = df['end_time'] - df['start_time']
# 提取播放持续时间中的秒数
df['playback_duration_seconds'] = df['playback_duration'].dt.seconds
print(df)

298-6-3、结果输出

# 298、pandas.Series.dt.seconds属性
# 298-1、任务和事件持续时间分析
#    task_id          start_time  ...        duration duration_seconds
# 0        1 2024-01-01 08:00:00  ... 0 days 00:30:30             1830
# 1        2 2024-01-02 09:00:00  ... 0 days 00:45:15             2715
# 2        3 2024-01-03 10:00:00  ... 0 days 00:25:50             1550
# 
# [3 rows x 5 columns]

# 298-2、网站会话分析
#    session_id          login_time  ... session_duration session_duration_seconds
# 0         101 2024-01-01 10:00:00  ...  0 days 00:25:00                     1500
# 1         102 2024-01-01 10:15:00  ...  0 days 00:15:30                      930
# 2         103 2024-01-01 11:00:00  ...  0 days 00:20:45                     1245
# 
# [3 rows x 5 columns]

# 298-3、机器运行时间分析
#    machine_id          start_time  ... running_duration running_duration_seconds
# 0           1 2024-01-01 06:00:00  ...  0 days 02:15:45                     8145
# 1           2 2024-01-01 12:00:00  ...  0 days 02:30:20                     9020
# 2           3 2024-01-01 18:00:00  ...  0 days 02:45:50                     9950
# 
# [3 rows x 5 columns]

# 298-4、视频播放分析
#    video_id          start_time  ... playback_duration playback_duration_seconds
# 0         1 2024-01-01 12:00:00  ...   0 days 00:10:30                       630
# 1         2 2024-01-01 13:00:00  ...   0 days 00:15:45                       945
# 2         3 2024-01-01 14:00:00  ...   0 days 00:20:50                      1250
# 
# [3 rows x 5 columns]

299、pandas.Series.dt.microseconds属性

299-1、语法

# 299、pandas.Series.dt.microseconds属性
pandas.Series.dt.microseconds
Number of microseconds (>= 0 and less than 1 second) for each element.

299-2、参数

        无

299-3、功能

        从一个时间间隔(timedelta)对象中提取微秒部分。

299-4、返回值

        返回一个整数序列，每个整数表示时间间隔的微秒部分。

299-5、说明

        使用场景：

299-5-1、精确任务持续时间分析：在需要精确计算任务持续时间的场景下，特别是需要精确到微秒级别时，这个属性非常有用。

299-5-2、高频交易数据分析：在金融领域，高频交易数据的时间戳精度要求极高，需要分析交易执行时间精确到微秒。

299-5-3、科学实验数据分析：在科学实验中，尤其是物理实验和工程测试中，常常需要对精确到微秒的时间间隔进行分析。

299-6、用法

299-6-1、数据准备

无

299-6-2、代码示例

# 299、pandas.Series.dt.microseconds属性
# 299-1、精确任务持续时间分析
import pandas as pd
# 创建包含任务开始和结束时间的数据
data = {
    'task_id': [1, 2, 3],
    'start_time': ['2024-01-01 08:00:00.123456', '2024-01-02 09:00:00.654321', '2024-01-03 10:00:00.789012'],
    'end_time': ['2024-01-01 08:30:30.654321', '2024-01-02 09:45:15.987654', '2024-01-03 10:25:50.123456']
}
df = pd.DataFrame(data)
df['start_time'] = pd.to_datetime(df['start_time'])
df['end_time'] = pd.to_datetime(df['end_time'])
# 计算每个任务的持续时间
df['duration'] = df['end_time'] - df['start_time']
# 提取持续时间中的微秒数
df['duration_microseconds'] = df['duration'].dt.microseconds
print(df, end='\n\n')

# 299-2、高频交易数据分析
import pandas as pd
# 创建包含交易执行时间的数据
data = {
    'trade_id': [1, 2, 3],
    'execution_start': ['2024-01-01 09:30:00.123456', '2024-01-01 09:30:01.654321', '2024-01-01 09:30:02.789012'],
    'execution_end': ['2024-01-01 09:30:00.223456', '2024-01-01 09:30:01.754321', '2024-01-01 09:30:02.889012']
}
df = pd.DataFrame(data)
df['execution_start'] = pd.to_datetime(df['execution_start'])
df['execution_end'] = pd.to_datetime(df['execution_end'])
# 计算每笔交易的执行时间
df['execution_duration'] = df['execution_end'] - df['execution_start']
# 提取执行时间中的微秒数
df['execution_microseconds'] = df['execution_duration'].dt.microseconds
print(df, end='\n\n')

# 299-3、科学实验数据分析
import pandas as pd
# 创建包含实验开始和结束时间的数据
data = {
    'experiment_id': [1, 2, 3],
    'start_time': ['2024-01-01 12:00:00.000123', '2024-01-01 12:30:00.000456', '2024-01-01 13:00:00.000789'],
    'end_time': ['2024-01-01 12:00:00.000223', '2024-01-01 12:30:00.000556', '2024-01-01 13:00:00.000889']
}
df = pd.DataFrame(data)
df['start_time'] = pd.to_datetime(df['start_time'])
df['end_time'] = pd.to_datetime(df['end_time'])
# 计算每个实验的持续时间
df['duration'] = df['end_time'] - df['start_time']
# 提取持续时间中的微秒数
df['duration_microseconds'] = df['duration'].dt.microseconds
print(df)

299-6-3、结果输出

# 299、pandas.Series.dt.microseconds属性
# 299-1、精确任务持续时间分析
#    task_id  ... duration_microseconds
# 0        1  ...                530865
# 1        2  ...                333333
# 2        3  ...                334444
# 
# [3 rows x 5 columns]

# 299-2、高频交易数据分析
#    trade_id  ... execution_microseconds
# 0         1  ...                 100000
# 1         2  ...                 100000
# 2         3  ...                 100000
# 
# [3 rows x 5 columns]

# 299-3、科学实验数据分析
#    experiment_id  ... duration_microseconds
# 0              1  ...                   100
# 1              2  ...                   100
# 2              3  ...                   100
# 
# [3 rows x 5 columns]

300、pandas.Series.dt.nanoseconds属性

300-1、语法

# 300、pandas.Series.dt.nanoseconds属性
pandas.Series.dt.nanoseconds
Number of nanoseconds (>= 0 and less than 1 microsecond) for each element.

300-2、参数

        无

300-3、功能

        从一个时间间隔(timedelta)对象中提取纳秒部分。

300-4、返回值

        返回一个整数序列，每个整数表示时间间隔的纳秒部分。

300-5、说明

        使用场景：

300-5-1、高精度科学实验分析：在一些高精度的科学实验中，例如物理实验和工程测试中，数据记录可能精确到纳秒级别。

300-5-2、高频交易分析：在金融领域，高频交易的数据精确度要求极高，需要分析交易执行时间精确到纳秒。

300-5-3、电子工程测试：在电子工程测试中，例如测量信号延迟和处理时间，常常需要精确到纳秒级别的时间分析。

300-6、用法

300-6-1、数据准备

无

300-6-2、代码示例

# 300、pandas.Series.dt.nanoseconds属性
# 300-1、高精度科学实验分析
import pandas as pd
# 创建包含实验开始和结束时间的数据
data = {
    'experiment_id': [1, 2, 3],
    'start_time': ['2024-01-01 12:00:00.000000123', '2024-01-01 12:30:00.000000456', '2024-01-01 13:00:00.000000789'],
    'end_time': ['2024-01-01 12:00:00.000000223', '2024-01-01 12:30:00.000000556', '2024-01-01 13:00:00.000000889']
}
df = pd.DataFrame(data)
df['start_time'] = pd.to_datetime(df['start_time'])
df['end_time'] = pd.to_datetime(df['end_time'])
# 计算每个实验的持续时间
df['duration'] = df['end_time'] - df['start_time']
# 提取持续时间中的纳秒数
df['duration_nanoseconds'] = df['duration'].dt.nanoseconds
print(df, end='\n\n')

# 300-2、高频交易分析
import pandas as pd
# 创建包含交易执行时间的数据
data = {
    'trade_id': [1, 2, 3],
    'execution_start': ['2024-01-01 09:30:00.000000163', '2024-01-01 09:30:01.000000486', '2024-01-01 09:30:02.000000799'],
    'execution_end': ['2024-01-01 09:30:00.000000223', '2024-01-01 09:30:01.000000556', '2024-01-01 09:30:02.000000889']
}
df = pd.DataFrame(data)
df['execution_start'] = pd.to_datetime(df['execution_start'])
df['execution_end'] = pd.to_datetime(df['execution_end'])
# 计算每笔交易的执行时间
df['execution_duration'] = df['execution_end'] - df['execution_start']
# 提取执行时间中的纳秒数
df['execution_nanoseconds'] = df['execution_duration'].dt.nanoseconds
print(df, end='\n\n')

# 300-3、电子工程测试
import pandas as pd
# 创建包含信号发送和接收时间的数据
data = {
    'signal_id': [1, 2, 3],
    'send_time': ['2024-01-01 10:00:00.000000316', '2024-01-01 10:05:00.000000618', '2024-01-01 10:10:00.000000889'],
    'receive_time': ['2024-01-01 10:00:00.000000423', '2024-01-01 10:05:00.000000856', '2024-01-01 10:10:00.000000989']
}
df = pd.DataFrame(data)
df['send_time'] = pd.to_datetime(df['send_time'])
df['receive_time'] = pd.to_datetime(df['receive_time'])
# 计算每个信号的传输时间
df['transmission_duration'] = df['receive_time'] - df['send_time']
# 提取传输时间中的纳秒数
df['transmission_nanoseconds'] = df['transmission_duration'].dt.nanoseconds
print(df)

300-6-3、结果输出

# 300、pandas.Series.dt.nanoseconds属性
# 300-1、高精度科学实验分析
#    experiment_id  ... duration_nanoseconds
# 0              1  ...                  100
# 1              2  ...                  100
# 2              3  ...                  100
# 
# [3 rows x 5 columns]

# 300-2、高频交易分析
#    trade_id  ... execution_nanoseconds
# 0         1  ...                    60
# 1         2  ...                    70
# 2         3  ...                    90
# 
# [3 rows x 5 columns]

# 300-3、电子工程测试
#    signal_id  ... transmission_nanoseconds
# 0          1  ...                      107
# 1          2  ...                      238
# 2          3  ...                      100
# 
# [3 rows x 5 columns]

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页