日本综合一区二区|亚洲中文天堂综合|日韩欧美自拍一区|男女精品天堂一区|欧美自拍第6页亚洲成人精品一区|亚洲黄色天堂一区二区成人|超碰91偷拍第一页|日韩av夜夜嗨中文字幕|久久蜜综合视频官网|精美人妻一区二区三区

小編給大家分享一下python+pandas+時(shí)間、日期以及時(shí)間序列怎么處理，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

創(chuàng)新互聯(lián)建站長(zhǎng)期為上千余家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對(duì)不同對(duì)象提供差異化的產(chǎn)品和服務(wù)；打造開(kāi)放共贏平臺(tái)，與合作伙伴共同營(yíng)造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為揚(yáng)中企業(yè)提供專業(yè)的成都網(wǎng)站設(shè)計(jì)、成都網(wǎng)站制作、外貿(mào)網(wǎng)站建設(shè)，揚(yáng)中網(wǎng)站改版等技術(shù)服務(wù)。擁有十余年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開(kāi)發(fā)。

先簡(jiǎn)單的了解下日期和時(shí)間數(shù)據(jù)類型及工具

python標(biāo)準(zhǔn)庫(kù)包含于日期（date）和時(shí)間（time）數(shù)據(jù)的數(shù)據(jù)類型，datetime、time以及calendar模塊會(huì)被經(jīng)常用到。

datetime以毫秒形式存儲(chǔ)日期和時(shí)間，datetime.timedelta表示兩個(gè)datetime對(duì)象之間的時(shí)間差。

給datetime對(duì)象加上或減去一個(gè)或多個(gè)timedelta，會(huì)產(chǎn)生一個(gè)新的對(duì)象

from datetime import datetime
from datetime import timedelta
now = datetime.now()
now
datetime.datetime(2017, 6, 27, 15, 56, 56, 167000)
datetime參數(shù)：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(gè)參數(shù)了！

datetime模塊中的數(shù)據(jù)類型

類型	說(shuō)明
date	以公歷形式存儲(chǔ)日歷日期（年、月、日）
time	將時(shí)間存儲(chǔ)為時(shí)、分、秒、毫秒
datetime	存儲(chǔ)日期和時(shí)間
timedelta	表示兩個(gè)datetime值之間的差（日、秒、毫秒）

字符串和datetime的相互轉(zhuǎn)換

1）python標(biāo)準(zhǔn)庫(kù)函數(shù)

日期轉(zhuǎn)換成字符串：利用str 或strftime

字符串轉(zhuǎn)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(duì)多個(gè)時(shí)間進(jìn)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(kù)dateutil.parser的時(shí)間解析函數(shù)

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 pd
pd.to_datetime(date)
 DatetimeIndex(['2017-06-26', '2017-06-27'], dtype='datetime64[ns]', freq=None)

datetime 格式定義

代碼	說(shuō)明
%Y	4位數(shù)的年
%y	2位數(shù)的年
%m	2位數(shù)的月[01,12]
%d	2位數(shù)的日[01，31]
%H	時(shí)（24小時(shí)制）[00,23]
%l	時(shí)（12小時(shí)制）[01,12]
%M	2位數(shù)的分[00,59]
%S	秒[00,61]有閏秒的存在
%w	用整數(shù)表示的星期幾[0（星期天），6]
%F	%Y-%m-%d簡(jiǎn)寫(xiě)形式例如，2017-06-27
%D	%m/%d/%y簡(jiǎn)寫(xiě)形式

pandas時(shí)間序列基礎(chǔ)以及時(shí)間、日期處理

pandas最基本的時(shí)間序列類型就是以時(shí)間戳（時(shí)間點(diǎn)）（通常以python字符串或datetime對(duì)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 1.919773
 dtype: 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(shí)間序列之間的算術(shù)運(yùn)算會(huì)自動(dòng)按日期對(duì)齊

ts[::2]#從前往后每隔兩個(gè)取數(shù)據(jù)
 2017-06-20 0.788811
 2017-06-22 0.009967
 2017-06-24 0.981214
 2017-06-26 -0.127258
 dtype: float64
ts[::-2]#從后往前逆序每隔兩個(gè)取數(shù)據(jù)
 2017-06-27 1.919773
 2017-06-25 0.314127
 2017-06-23 -1.024626
 2017-06-21 0.372555
 dtype: float64
ts + ts[::2]#自動(dòng)數(shù)據(jù)對(duì)齊
 2017-06-20 1.577621
 2017-06-21  NaN
 2017-06-22 0.019935
 2017-06-23  NaN
 2017-06-24 1.962429
 2017-06-25  NaN
 2017-06-26 -0.254516
 2017-06-27  NaN
 dtype: float64

索引為日期的Series和DataFrame數(shù)據(jù)的索引、選取以及子集構(gòu)造

方法：

1）.index[number_int]

2)[一個(gè)可以被解析為日期的字符串]

3）對(duì)于，較長(zhǎng)的時(shí)間序列，只需傳入‘年'或‘年月'可返回對(duì)應(yīng)的數(shù)據(jù)切片

4）通過(guò)時(shí)間范圍進(jìn)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 1.919773
 dtype: 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
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 1.919773
 dtype: float64


ts['2017-06-20':'2017-06-23']#時(shí)間范圍進(jìn)行切片
 2017-06-20 0.788811
 2017-06-21 0.372555
 2017-06-22 0.009967
 2017-06-23 -1.024626
 dtype: float64

帶有重復(fù)索引的時(shí)間序列

1）.index.is_unique檢查索引日期是否是唯一的

2）對(duì)非唯一時(shí)間戳的數(shù)據(jù)進(jìn)行聚合，通過(guò)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 0
 2017-06-02 1
 2017-06-02 2
 2017-06-02 3
 2017-06-03 4
 dtype: int32

dup_ts.index.is_unique
 False
dup_ts['2017-06-02']
 2017-06-02 1
 2017-06-02 2
 2017-06-02 3
 dtype: int32

grouped = dup_ts.groupby(level=0).mean()
grouped
 2017-06-01 0
 2017-06-02 2
 2017-06-03 4
 dtype: int32

dup_df = pd.DataFrame(np.arange(10).reshape((5,2)),index = dates )
dup_df

	0	1
2017-06-01	0	1
2017-06-02	2	3
2017-06-02	4	5
2017-06-02	6	7
2017-06-03	8	9

grouped_df = dup_df.groupby(level=0).mean()##針對(duì)DataFrame
grouped_df

	0	1
2017-06-01	0	1
2017-06-02	4	5
2017-06-03	8	9

以上是“python+pandas+時(shí)間、日期以及時(shí)間序列怎么處理”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

文章題目：python+pandas+時(shí)間、日期以及時(shí)間序列怎么處理-創(chuàng)新互聯(lián)
網(wǎng)站網(wǎng)址：http://www.dlmjj.cn/article/cedgij.html