Pandas 时间序列前序之 datetime(pandas时间序列处理)
在学习时间序列之前我们需要先了解一下datetime模块的基本使用，datetime模块不是pandas库中所包含的。
但为了能更好的学习pandas中的时间序列，我们可以先学习datetime的基本使用以打好基础，datetime我们主要掌握一下几种方法：datetime.date(), datetime.datetime(), datetime.timedelta()
datetime.date
我们可以使用datetime.date.today方法返回当前时间，其数据类型为datetime.date
import datetime today = datetime.date.today() print(today,type(today)) >>> 2018-10-28 <class 'datetime.date'> 复制代码
同时我们可以使用datetime.date(年，月，日)的方式输出我们想要的日期的datetime类型。
import datetime t = datetime.date(2016,6,1) print(t) # (年，月，日) → 直接得到当时日期 >>> 2016-06-01 复制代码
datetime.datetime
我们使用datetime.datetime.now方法返回当前时间，其数据类型为datetime.datetime
import datetime now = datetime.datetime.now() print(now,type(now)) >>> 2018-10-28 17:34:07.467642 <class 'datetime.datetime'> 复制代码
同样的我们可以使用datetime.datetime(年，月，日，时，分，秒)的形式输出我们想要的datetime.datetime类型的数据。
t1 = datetime.datetime(2016,6,1) t2 = datetime.datetime(2014,1,1,12,44,33) print(t1,t2) >>> 2016-06-01 00:00:00 2014-01-01 12:44:33 复制代码
datetime.timedelta
datetime.timedelta代表的数据是时间差数据类型。时间差主要用作时间的加减法，相当于可被识别的时间“差值”
# datetime.timedelta：时间差 today = datetime.datetime.today() # datetime.datetime也有today()方法 yestoday = today - datetime.timedelta(1) # print(today) print(yestoday) print(today - datetime.timedelta(7)) >>> 2018-11-04 14:48:28.967149 2018-11-03 14:48:28.967149 2018-10-28 14:48:28.967149 复制代码
日期解析方法：parser.parse
除了上面转换方法之外，我们还需要其他关于字符串解析为时间格式的方法。
可以使用parse方法将字符串转换为datetime.datetime类型的数据。
from dateutil.parser import parse date = '12-21-2017' t = parse(date) print(t,type(t)) >>> 2017-12-21 00:00:00 <class 'datetime.datetime'> 复制代码
同样的我们还可以将其他格式的字符串转化为datetime.datetime,但无法解析中文
print(parse('2000-1-1'),'\n', parse('5/1/2014'),'\n', parse('5/1/2014', dayfirst = True),'\n', # 国际通用格式中，日在月之前，可以通过dayfirst来设置 parse('22/1/2014'),'\n', parse('Jan 31, 1997 10:45 PM')) >>> 2000-01-01 00:00:00 2014-05-01 00:00:00 2014-01-05 00:00:00 2014-01-22 00:00:00 1997-01-31 22:45:00 复制代码Pandas时刻数据：Timestamp
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类型的时间序列数据。
Timestamp和上面的datetime基本没有区别，仅仅区别于一个是pandas模块，一个是datetime模块。
pandas.Timestape
pandas.Timestape可以直接生成pandas的时刻数据
import numpy as np import pandas as pd date1 = datetime.datetime(2016,12,1,12,45,30) # 创建一个datetime.datetime date2 = '2017-12-21' # 创建一个字符串 t1 = pd.Timestamp(date1) t2 = pd.Timestamp(date2) print(t1,type(t1)) print(t2,type(t2)) >>> 2016-12-01 12:45:30 <class 'pandas._libs.tslibs.timestamps.Timestamp'> 2017-12-21 00:00:00 <class 'pandas._libs.tslibs.timestamps.Timestamp'> 复制代码
pandas.to_datetime
pandas.to_datetime可以将如果是单个的时间数据，转换成pandas的时刻数据，数据类型为Timestamp，如果是多个的时间数据，将会转换为pandas的DatetimeIndex。
单个时间数据实例：
from datetime import datetime date1 = datetime(2016,12,1,12,45,30) date2 = '2017-12-21' t1 = pd.to_datetime(date1) t2 = pd.to_datetime(date2) print(t1,type(t1)) print(t2,type(t2)) >>> 2016-12-01 12:45:30 <class 'pandas._libs.tslibs.timestamps.Timestamp'> 2017-12-21 00:00:00 <class 'pandas._libs.tslibs.timestamps.Timestamp'> 复制代码
多个时间数据实例：
lst_date = [ '2017-12-21', '2017-12-22', '2017-12-23'] t3 = pd.to_datetime(lst_date) print(t3,type(t3)) >>> DatetimeIndex(['2017-12-21', '2017-12-22', '2017-12-23'], dtype='datetime64[ns]', freq=None) <class 'pandas.core.indexes.datetimes.DatetimeIndex'> 复制代码
当多个时间序列中有其他的数据格式时,我们可以使用error参数返回，errors = 'ignore':不可解析时返回原始输入，这里就是直接生成一般数组
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') print(t3,type(t3)) >>> ['2017-2-1' '2017-2-2' '2017-2-3' 'hello world!' '2017-2-5' '2017-2-6'] <class 'numpy.ndarray'> 复制代码
当errors = 'coerce'时，不同数据类型的数据将会返回NaT，结果认为DatetimeIndex
date3 = ['2017-2-1','2017-2-2','2017-2-3','hello world!','2017-2-5','2017-2-6'] t4 = pd.to_datetime(date3, errors = 'coerce') print(t4,type(t4)) >>> DatetimeIndex(['2017-02-01', '2017-02-02', '2017-02-03', 'NaT', '2017-02-05', '2017-02-06'], dtype='datetime64[ns]', freq=None) <class 'pandas.core.indexes.datetimes.DatetimeInde
作者：咸鱼学Python
链接：https://juejin.cn/post/7035185174929211428
伪原创工具 SEO网站优化 https://www.237it.com/