python时间日期函数与利用pandas进行时间序列处理详解pythonpython基础学习教程-

@本文来源于公众号：csdn2299，喜欢可以关注公众号 程序员学府
python标准库包含于日期（date）和时间（time）数据的数据类型，datetime、time以及calendar模块会被经常用到。

datetime以毫秒形式存储日期和时间，datetime.timedelta表示两个datetime对象之间的时间差。

下面我们先简单的了解下python日期和时间数据类型及工具

给datetime对象加上或减去一个或多个timedelta，会产生一个新的对象

rom datetime import datetime from datetime import timedelta   now = datetime.now() now   datetime.datetime(2017, 6, 27, 15, 56, 56, 167000)   datetime参数：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 

datetime模块中的数据类型

字符串和datetime的相互转换

1）python标准库函数

日期转换成字符串：利用str 或strftime

字符串转换成日期：

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' #对多个时间进行解析成字符串 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）第三方库dateutil.parser的时间解析函数

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处理成组日期

pandas通常用于处理成组日期，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。

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 格式定义

pandas时间序列基础以及时间、日期处理

pandas最基本的时间序列类型就是以时间戳（时间点）（通常以python字符串或datetime对象表示）为索引的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不同索引的时间序列之间的算术运算会自动按日期对齐

ts[::2]#从前往后每隔两个取数据    2017-06-20 0.788811  2017-06-22 0.009967  2017-06-24 0.981214  2017-06-26 -0.127258  dtype: float64   ts[::-2]#从后往前逆序每隔两个取数据    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]#自动数据对齐    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 

索引为日期的Series和DataFrame数据的索引、选取以及子集构造

方法：
1）.index[number_int]

2)[一个可以被解析为日期的字符串]

3）对于，较长的时间序列，只需传入‘年’或‘年月’可返回对应的数据切片

4）通过时间范围进行切片索引

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']#传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']#传入年或年月    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']#时间范围进行切片    2017-06-20 0.788811  2017-06-21 0.372555  2017-06-22 0.009967  2017-06-23 -1.024626  dtype: float64 

带有重复索引的时间序列

1）.index.is_unique检查索引日期是否是唯一的

2）对非唯一时间戳的数据进行聚合，通过groupby，并传入level = 0（索引的唯一一层）

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 

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

本文总结了以下4个知识点

1）字符串、日期的转换方法

2）日期和时间的主要python，datetime、timedelta、pandas.to_datetime等

3）以时间为索引的Series和DataFrame的索引、切片

4）带有重复时间索引时的索引，.groupby(level=0)应用
非常感谢你的阅读
大学的时候选择了自学python，工作了发现吃了计算机基础不好的亏，学历不行这是

没办法的事，只能后天弥补，于是在编码之外开启了自己的逆袭之路，不断的学习python核心知识，深

入的研习计算机基础知识，整理好了，我放在我们的微信公众号《程序员学府》，如果你也不甘平庸，之外的东西，比如，如何做一个精致的程序员，而不是“屌丝”，程序员本身就是高贵的一种存在啊，难道不是吗？[点击加入]想做你自己想成为高尚人，加油！