Python標準庫包含于日期（date）和時間（time）數據的數據類型，datetime、time以及calendar模塊會被經常用到。

datetime以毫秒形式存儲日期和時間，datetime.timedelta表示兩個datetime對象之間的時間差。

給datetime對象加上或減去一個或多個timedelta，會產生一個新的對象

from datetime import datetimefrom datetime import timedelta now = datetime.now() now datetime.datetime(2017, 6, 27, 15, 56, 56, 167000) datetime參數：datetime(year, month, day[, hour[, minute[, second[, microsecond[,tzinfo]]]]]) delta = now - datetime(2017,6,27,10,10,10,10)delta datetime.timedelta(0, 20806, 166990) delta.days 0 delta.seconds 20806 delta.microseconds 166990

只有這三個參數了！

datetime模塊中的數據類型

類型說明

date	以公歷形式存儲日歷日期（年、月、日）
time	將時間存儲為時、分、秒、毫秒
datetime	存儲日期和時間
timedelta	表示兩個datetime值之間的差（日、秒、毫秒）

字符串和datetime的相互轉換

1）python標準庫函數

日期轉換成字符串：利用str 或strftime

字符串轉換成日期：datetime.strptime

stamp = datetime(2017,6,27) str(stamp) '2017-06-27 00:00:00' stamp.strftime('%y-%m-%d')#%Y是4位年，%y是2位年 '17-06-27' #對多個時間進行解析成字符串date = ['2017-6-26','2017-6-27']datetime2 = [datetime.strptime(x,'%Y-%m-%d') for x in date]datetime2 [datetime.datetime(2017, 6, 26, 0, 0), datetime.datetime(2017, 6, 27, 0, 0)]

2）第三方庫dateutil.parser的時間解析函數

from dateutil.parser import parse parse('2017-6-27') datetime.datetime(2017, 6, 27, 0, 0) parse('27/6/2017',dayfirst =True) datetime.datetime(2017, 6, 27, 0, 0)

3）pandas處理成組日期

pandas通常用于處理成組日期，不管這些日期是DataFrame的軸索引還是列，to_datetime方法可以解析多種不同的日期表示形式。

date ['2017-6-26', '2017-6-27'] import pandas as pdpd.to_datetime(date) DatetimeIndex(['2017-06-26', '2017-06-27'], dtype='datetime64[ns]', freq=None)

datetime 格式定義

代碼說明

%Y	4位數的年
%y	2位數的年
%m	2位數的月[01,12]
%d	2位數的日[01，31]
%H	時（24小時制）[00,23]
%l	時（12小時制）[01,12]
%M	2位數的分[00,59]
%S	秒[00,61]有閏秒的存在
%w	用整數表示的星期幾[0（星期天），6]
%F	%Y-%m-%d簡寫形式例如，2017-06-27
%D	%m/%d/%y簡寫形式

pandas時間序列基礎以及時間、日期處理

pandas最基本的時間序列類型就是以時間戳（時間點）（通常以python字符串或datetime對象表示）為索引的Series：

dates = ['2017-06-20','2017-06-21',\'2017-06-22','2017-06-23','2017-06-24','2017-06-25','2017-06-26','2017-06-27'] import numpy as np ts = pd.Series(np.random.randn(8),index = pd.to_datetime(dates)) ts 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626 2017-06-24 0.981214 2017-06-25 0.314127 2017-06-26 -0.127258 2017-06-27 1.919773dtype: float64 ts.index DatetimeIndex(['2017-06-20', '2017-06-21', '2017-06-22', '2017-06-23','2017-06-24', '2017-06-25', '2017-06-26', '2017-06-27'],dtype='datetime64[ns]', freq=None)

pandas不同索引的時間序列之間的算術運算會自動按日期對齊

ts[::2]#從前往后每隔兩個取數據 2017-06-20 0.788811 2017-06-22 0.009967 2017-06-24 0.981214 2017-06-26 -0.127258dtype: float64 ts[::-2]#從后往前逆序每隔兩個取數據 2017-06-27 1.919773 2017-06-25 0.314127 2017-06-23 -1.024626 2017-06-21 0.372555dtype: float64 ts + ts[::2]#自動數據對齊 2017-06-20 1.5776212017-06-21 NaN2017-06-22 0.0199352017-06-23 NaN2017-06-24 1.9624292017-06-25 NaN2017-06-26 -0.2545162017-06-27 NaNdtype: float64

索引為日期的Series和DataFrame數據的索引、選取以及子集構造

方法：
1）.index[number_int]

2)[一個可以被解析為日期的字符串]

3）對于，較長的時間序列，只需傳入‘年’或‘年月’可返回對應的數據切片

4）通過時間范圍進行切片索引

ts 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626 2017-06-24 0.981214 2017-06-25 0.314127 2017-06-26 -0.127258 2017-06-27 1.919773dtype: float64 ts[ts.index[2]] 0.0099673896063391908 ts['2017-06-21']#傳入可以被解析成日期的字符串 0.37255538918121028 ts['21/06/2017'] 0.37255538918121028 ts['20170621'] 0.37255538918121028

• 1

ts['2017-06']#傳入年或年月 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626 2017-06-24 0.981214 2017-06-25 0.314127 2017-06-26 -0.127258 2017-06-27 1.919773dtype: float64 ts['2017-06-20':'2017-06-23']#時間范圍進行切片 2017-06-20 0.788811 2017-06-21 0.372555 2017-06-22 0.009967 2017-06-23 -1.024626dtype: float64

帶有重復索引的時間序列

1）.index.is_unique檢查索引日期是否是唯一的

2）對非唯一時間戳的數據進行聚合，通過groupby，并傳入level = 0（索引的唯一一層）

dates = pd.DatetimeIndex(['2017/06/01','2017/06/02','2017/06/02','2017/06/02','2017/06/03']) dates DatetimeIndex(['2017-06-01', '2017-06-02', '2017-06-02', '2017-06-02','2017-06-03'],dtype='datetime64[ns]', freq=None) dup_ts = pd.Series(np.arange(5),index = dates) dup_ts 2017-06-01 02017-06-02 12017-06-02 22017-06-02 32017-06-03 4dtype: int32 dup_ts.index.is_unique False dup_ts['2017-06-02'] 2017-06-02 12017-06-02 22017-06-02 3dtype: int32 grouped = dup_ts.groupby(level=0).mean() grouped 2017-06-01 02017-06-02 22017-06-03 4dtype: int32 dup_df = pd.DataFrame(np.arange(10).reshape((5,2)),index = dates ) dup_df ?012017-06-012017-06-022017-06-022017-06-022017-06-03

0	1
2	3
4	5
6	7
8	9

grouped_df = dup_df.groupby(level=0).mean()##針對DataFrame grouped_df ?012017-06-012017-06-022017-06-03

0	1
4	5
8	9

總結

該篇博客主要內容：

1）字符串、日期的轉換方法

2）日期和時間的主要python，datetime、timedelta、pandas.to_datetime等

3）以時間為索引的Series和DataFrame的索引、切片

4）帶有重復時間索引時的索引，.groupby(level=0)應用

總結

以上是生活随笔為你收集整理的python科学计算笔记（十）pandas中时间、日期以及时间序列处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。