东莞市建设局网站首页,网站建设咸阳,wordpress 静态网页,seo信息是什么文章目录一、时间戳1. unit 参数是 s2. year、month、day、hour、minute、second、microsecond 单独设置时间二、通过时间间隔实现 datetime 加减三、时间转化1. 处理各种输入格式2. 将字符串转 datetime3. 除了可以将文本数据转为时间戳外#xff0c;还可以将 unix 时间转为时…
文章目录一、时间戳1. unit 参数是 s2. year、month、day、hour、minute、second、microsecond 单独设置时间二、通过时间间隔实现 datetime 加减三、时间转化1. 处理各种输入格式2. 将字符串转 datetime3. 除了可以将文本数据转为时间戳外还可以将 unix 时间转为时间戳。4. 自动识别异常5. 配合 unit 参数使用非 unix 时间6. 不可转换日期/时间四、时期频率转换五、shift() 时间频率进行移位在开始之前我们先导入 numpy 和 pandas 库同时导入 python 内置的模块。
import pandas as pd
import numpy as np
import time
import datetime一、时间戳
时间戳是 python datetime 的替代品。时间戳相当于 python 的 Datetime在大多数情况下可以与之互换。该类型用于组成 DatetimeIndex 的条目以及 pandas 中其他面向时间序列的数据结构。其语法模板如下
pandas.Timestamp(ts_inputobject object, freqNone, tzNone, unitNone, yearNone, monthNone, dayNone, hourNone, minuteNone, secondNone, microsecondNone, nanosecondNone, tzinfoNone, *, foldNone)其部分参数含义如下ts_input 表示要转换为时间戳的值。freq 表示时间戳将具有的偏移量。unit 表示用于转换的单位。我们可以转换类似日期时间的字符串默认为 yyyy-mm-dd hh:mm:ss 格式。示例 1时间不设置的话默认为 0。
pd.Timestamp(2022-01-01)
#Timestamp(2022-01-01 00:00:00)示例 2
pd.Timestamp(2021-12-15 12)
#Timestamp(2021-12-15 12:00:00)示例 3如果我们输入的格式不满足上面的默认格式会进行自动调整。
pd.Timestamp(01-01-2022 12)
#Timestamp(2022-01-01 12:00:00)示例 4日期不设置的话默认为 1。
pd.Timestamp(2022-01)
#Timestamp(2022-01-01 00:00:00)示例 5
pd.Timestamp(2022)
#Timestamp(2022-01-01 00:00:00)这里需要注意的是我们不能将错误日期转换为 Timestamp否则会出现 ValueError: could not convert string to Timestamp 错误。错误日期只要就是指不符合日期规范的比如平年的 2 月有 29 天等等。
pd.Timestamp(2022-01-50)
pd.Timestamp(2022-02-31)
pd.Timestamp(2022-02-29)1. unit 参数是 s
这将转换以秒为单位表示 Unix 历元的浮点值。1970 年 1 月 1 日这个时间正是 Unix 系统的起始时间。具体可见如下示例。示例 1我们可以通过 time.time() 返回从 1970 年 1 月 1 日到现在一共有多少秒。
time.time()
#1650616591.3381748示例 2我们可以将其转换为 Unix 历元的浮点值。
pd.Timestamp(time.time(), units)
#Timestamp(2022-04-22 08:36:15.079070091)示例 3也可以将其强制类型转换为整型。
pd.Timestamp(int(time.time()), units)
#Timestamp(2022-04-22 08:36:56)示例 4
my_time time.time()
print(my_time)
pd.Timestamp(my_time)
#1650616682.428626
#Timestamp(1970-01-01 00:00:01.650616682)示例 5也可以对他的数值进行设定。
pd.Timestamp(2)
#Timestamp(1970-01-01 00:00:00.000000002)2. year、month、day、hour、minute、second、microsecond 单独设置时间
这里我们需要注意的是最小的到 day。示例 1
pd.Timestamp(2022, 1, 10, 12)
#Timestamp(2022-01-10 12:00:00)示例 2在 pd.Timestamp() 中要注意一定的顺序问题不然容易报错。
pd.Timestamp(1, 2022, 10, 12)
#ValueError: month must be in 1..12示例 3我们可以设置年月日的具体数据时间不设置的话就默认为 0。
pd.Timestamp(year2022,day10, month1)
#Timestamp(2022-01-10 00:00:00)示例 4
pd.Timestamp(year2022, month1,day1)
#Timestamp(2022-01-01 00:00:00)示例 5
pd.Timestamp(year2022, month1, day10, hour12)
#Timestamp(2022-01-10 12:00:00)示例 6
pd.Timestamp(year2022, month1, day10)
#Timestamp(2022-01-10 00:00:00)总结Timestamp 可以将字符串或者 unix 时间转化为 pandas对应的时间戳。
二、通过时间间隔实现 datetime 加减
表示持续时间即两个日期或时间之间的差异。相当于 python 的 datetime.timedelta在大多数情况下可以与之互换。其语法模板如下
pd.Timedelta(valueobject object at 0x000001BE55DCFE80,unitNone,**kwargs其部分参数含义如下value 表示数值或者 Timedelta。unit 表示如果输入是整数则表示输入的单位 ‘M’,‘W’, ‘D’, ‘T’, ‘S’。具体可见如下示例。示例 1老例子了不多叙述了。
ts pd.Timestamp(2022-01-01 12)
ts
#Timestamp(2022-01-01 12:00:00)示例 2我们可以在 ts 的基础上使用 pd.Timedelta() 函数减少一天。
ts pd.Timedelta(-1, D)
#Timestamp(2021-12-31 12:00:00)示例 3计算时间间隔。
td pd.Timedelta(days5, minutes50, seconds20)
td
#Timedelta(5 days 00:50:20)示例 4时间相加运算。
ts td
Timestamp(2022-01-06 12:50:20)示例 5可以使用 td.total_seconds() 将 td 转换为秒钟数。
td.total_seconds()
#435020.0示例 6返回现在的时间。
datetime.datetime.now()
#datetime.datetime(2023, 2, 22, 15, 22, 19, 554438)示例 7我们可以设置时区例如中国上海所在的时区我们可以设置为 tz“Asia/Shanghai”。
pd.Timestamp(int(time.time()) 435020, units, tzAsia/Shanghai)
#Timestamp(2022-04-27 17:41:290800, tzAsia/Shanghai)示例 8将其强制转换为整型。
pd.Timestamp(int(time.time()), units, tzAsia/Shanghai)
Timestamp(2022-04-22 16:51:250800, tzAsia/Shanghai)示例 9
time.time() td.total_seconds()
pd.Timestamp(int(time.time() td.total_seconds()),units)
#Timestamp(2022-04-27 09:38:11)示例 10我们可以取得当前时间计算前时间往后 100 天的日期并只显示年月日。
import datetime
now datetime.datetime.now()
print(now)
dt now datetime.timedelta(days100)
print(dt,type(dt))
dt.strftime(%Y-%m-%d)
#2022-04-22 16:54:11.351536
#2022-07-31 16:54:11.351536 class datetime.datetime
#2022-07-31三、时间转化
我们可以使用 to_datetime 转换时间戳。通过 to_datetime 函数我们可以快速将文本数据转为时间戳。当传递一个 Series 时它会返回一个 Series具有相同的索引而类似列表的则转换为 DatetimeIndex。其语法模板如下
to_datetime(arg, errorsraise, dayfirstFalse, yearfirstFalse, utcNone, formatNone, unitNone, infer_datetime_formatFalse, originunix)其部分参数含义如下arg 表示要转换为日期时间的对象。errors 表示错误处理。1 If ‘raise’将引发异常。2 If ‘coerce’无效的转换使用 NaN。3 If ‘ignore’无效的转换将使用输入的数据。dayfirst 表示转换时指定日期分析顺序 yearfirst。utc 表示控制与时区相关的解析、本地化和转换忽略。format 表示用于分析时间的 strftime例如 “%d/%m/%Y”自定义格式。unit 表示 D,s,ms 将时间戳转 datetime。origin 表示定义参考日期。数值将被解析为自该参考日期起的单位数。
1. 处理各种输入格式
从一个数据帧的多个列中组装日期时间。这些键可以是常见的缩写如 [‘year’、‘month’、‘day’、‘minute’、‘second’、‘ms’、‘us’、‘ns’]也可以是相同的复数形式。具体可见如下示例。示例 1我们可以通过 pd.DataFrame() 存储时间数据。
df pd.DataFrame({year: [2015, 2016],month: [2, 3],day: [4, 5]})
df
#year month day
#0 2015 2 4
#1 2016 3 5示例 2
pd.to_datetime(df)
#0 2015-02-04
#1 2016-03-05
#dtype: datetime64[ns]2. 将字符串转 datetime
示例 1
pd.to_datetime([11-12-2021])
#DatetimeIndex([2021-11-12], dtypedatetime64[ns], freqNone)示例 2
pd.to_datetime([2005/11/23, 2010.12.31])
#DatetimeIndex([2005-11-23, 2010-12-31], dtypedatetime64[ns], freqNone)3. 除了可以将文本数据转为时间戳外还可以将 unix 时间转为时间戳。
示例 1
pd.to_datetime([1349720105, 1349806505, 1349892905], units)
#DatetimeIndex([2012-10-08 18:15:05, 2012-10-09 18:15:05,
# 2012-10-10 18:15:05],
# dtypedatetime64[ns], freqNone)示例 2
pd.to_datetime([1349720105100, 1349720105200, 1349720105300], unitms)
#DatetimeIndex([2012-10-08 18:15:05.100000, 2012-10-08 18:15:05.200000,
# 2012-10-08 18:15:05.300000],
# dtypedatetime64[ns], freqNone)4. 自动识别异常
譬如我们输入 210605 这一串数字直接输出的结果似乎有点问题。
pd.to_datetime(210605)
#Timestamp(2005-06-21 00:00:00)我们可以将 yearfirst 设置为 True便得到了我们想要的时间。
pd.to_datetime(210605,yearfirstTrue)
#Timestamp(2021-06-05 00:00:00)5. 配合 unit 参数使用非 unix 时间
示例 1origin 参考起始时间 d天数生成后面的时间。
pd.to_datetime([1, 2, 3], unitd, originpd.Timestamp(2020-01-11))
#DatetimeIndex([2020-01-12, 2020-01-13, 2020-01-14], dtypedatetime64[ns], freqNone)示例 2origin 参考起始时间 h小时生成后面的时间。
pd.to_datetime([1, 2, 3], unith, originpd.Timestamp(2020-01))
#DatetimeIndex([2020-01-01 01:00:00, 2020-01-01 02:00:00,
# 2020-01-01 03:00:00],
# dtypedatetime64[ns], freqNone)示例 3origin 参考起始时间 m分钟生成后面的时间。
pd.to_datetime([1, 2, 3], unitm, originpd.Timestamp(2020-01))
#DatetimeIndex([2020-01-01 00:01:00, 2020-01-01 00:02:00,
# 2020-01-01 00:03:00],
# dtypedatetime64[ns], freqNone)示例 4origin 参考起始时间 s秒钟生成后面的时间。
pd.to_datetime([1, 2, 3], units, originpd.Timestamp(2020-01))
#DatetimeIndex([2020-01-01 00:00:01, 2020-01-01 00:00:02,
# 2020-01-01 00:00:03],
# dtypedatetime64[ns], freqNone)6. 不可转换日期/时间
如果日期不符合时间戳限制则传递 errors‘ignore’ 将返回原始输入而不是引发任何异常。除了将非日期或不可解析的日期强制传递给 NaT 之外传递 errors‘coerce’ 还会将越界日期强制传递给 NaT。errors错误处理。1 If ‘raise’将引发异常。2 If ‘coerce’无效的转换使用 NaT。3 If ‘ignore’无效的转换将使用输入的数据。示例 1ParserError: year 120211204 is out of range: 120211204。
pd.to_datetime([120211204,20210101])示例 2如果出现无效的转换将使用输入的数据。
pd.to_datetime([202102.01,2021.02.01], errorsignore)
#Index([202102.01, 2021.02.01], dtypeobject)示例 3无效的转换使用 NaT。
pd.to_datetime([120211204,2021.02.01], errorscoerce)
#DatetimeIndex([NaT, 2021-02-01], dtypedatetime64[ns], freqNone)示例 4可以自动识别。
pd.to_datetime(pd.Series([Jul 31, 2018, 2018.05.10, None]))
#0 2018-07-31
#1 2018-05-10
#2 NaT
#dtype: datetime64[ns]对于 float arg可能会发生精确舍入。要防止意外行为请使用固定宽度的精确类型。
四、时期频率转换
其语法模板如下
asfreq(freq, methodNone, howNone, normalizeFalse, fill_valueNone)我们可以将时间序列转换为指定的频率。如果此数据帧的索引是 PeriodIndex则新索引是使用 PeriodIndex 转换原始索引的结果。否则新指数将相当于 pd。date_rangestartendfreqfreq其中 start 和 end 分别是原始索引中的第一个和最后一个条目。与新索引中未出现在原始索引中的任何时间步对应的值将为空NaN除非提供了填充此类未知值的方法。示例 1我们可以使用 asfreq 进行时期频率转换我们先以 D 为初始时期频率。
ts pd.Series(np.random.rand(4),index pd.date_range(20170101,20170104))
print(ts)
#2017-01-01 0.212259
#2017-01-02 0.475196
#2017-01-03 0.186119
#2017-01-04 0.355026
#Freq: D, dtype: float64我们改变频率这里是将 D 改为 4H每隔 4H 生成一个由于我们最开始没有设置时间因此他们默认是 0除 0 以外的时间均变成 NaN。
ts.asfreq(4H)
#2017-01-01 00:00:00 0.212259
#2017-01-01 04:00:00 NaN
#2017-01-01 08:00:00 NaN
#2017-01-01 12:00:00 NaN
#2017-01-01 16:00:00 NaN
#2017-01-01 20:00:00 NaN
#2017-01-02 00:00:00 0.475196
#2017-01-02 04:00:00 NaN
#2017-01-02 08:00:00 NaN
#2017-01-02 12:00:00 NaN
#2017-01-02 16:00:00 NaN
#2017-01-02 20:00:00 NaN
#2017-01-03 00:00:00 0.186119
#2017-01-03 04:00:00 NaN
#2017-01-03 08:00:00 NaN
#2017-01-03 12:00:00 NaN
#2017-01-03 16:00:00 NaN
#2017-01-03 20:00:00 NaN
#2017-01-04 00:00:00 0.355026
Freq: 4H, dtype: float64我们可以使用 method 进入插值模式None 代表不插值ffill 表示用之前值填充bfill 表示用之后值填充。先以 ffill 为例。
ts.asfreq(4H, method ffill)
#2017-01-01 00:00:00 0.212259
#2017-01-01 04:00:00 0.212259
#2017-01-01 08:00:00 0.212259
#2017-01-01 12:00:00 0.212259
#2017-01-01 16:00:00 0.212259
#2017-01-01 20:00:00 0.212259
#2017-01-02 00:00:00 0.475196
#2017-01-02 04:00:00 0.475196
#2017-01-02 08:00:00 0.475196
#2017-01-02 12:00:00 0.475196
#2017-01-02 16:00:00 0.475196
#2017-01-02 20:00:00 0.475196
#2017-01-03 00:00:00 0.186119
#32017-01-03 04:00:00 0.186119
#2017-01-03 08:00:00 0.186119
#2017-01-03 12:00:00 0.186119
#2017-01-03 16:00:00 0.186119
#2017-01-03 20:00:00 0.186119
#2017-01-04 00:00:00 0.355026
#Freq: 4H, dtype: float64然后以 bfill 为例。
ts.asfreq(4H, method bfill)
#2017-01-01 00:00:00 0.212259
#2017-01-01 04:00:00 0.475196
#2017-01-01 08:00:00 0.475196
#2017-01-01 12:00:00 0.475196
#2017-01-01 16:00:00 0.475196
#2017-01-01 20:00:00 0.475196
#2017-01-02 00:00:00 0.475196
#2017-01-02 04:00:00 0.186119
#2017-01-02 08:00:00 0.186119
#2017-01-02 12:00:00 0.186119
#2017-01-02 16:00:00 0.186119
#2017-01-02 20:00:00 0.186119
#2017-01-03 00:00:00 0.186119
#2017-01-03 04:00:00 0.355026
#2017-01-03 08:00:00 0.355026
#2017-01-03 12:00:00 0.355026
#2017-01-03 16:00:00 0.355026
#2017-01-03 20:00:00 0.355026
#2017-01-04 00:00:00 0.355026
#Freq: 4H, dtype: float64五、shift() 时间频率进行移位
他可以按所需的时段数和可选的时间频率进行移位索引。其语法模板如下
shift(periods1, freqNone, axis0, fill_valueNone) 如果未传递 freq则在不重新调整数据的情况下移动索引。如果传递了 freq在这种情况下索引必须是 date 或 datetime否则将引发 NotImplementedError只要在索引中设置了 freq 或推断的 _freq 属性就可以推断 freq。其参数含义如下periods 表示要转换的时段数。可以是正面的也可以是负面的。freq 表示如果指定了 freq则索引值会移位但数据不会重新对齐。也就是说如果要在移动时扩展索引并保留原始数据axis:{0 or ‘index’, 1 or ‘columns’, None} 表示转换方向。fill_value 表示填充值。示例 1我们生成一个 4 行 4 列的随机数数组行标签是 20210101 到 20210104列标签是 A、B、C、D。
df pd.DataFrame(np.random.rand(16).reshape((4,4)), index pd.date_range(20210101,20210104),columnslist(ABCD))
df
# A B C D
#2021-01-01 0.435600 0.899540 0.146171 0.543191
#2021-01-02 0.978700 0.824476 0.015656 0.862976
#2021-01-03 0.069611 0.503938 0.215017 0.677024
#2021-01-04 0.112235 0.352456 0.026572 0.103668我们将 periods 设置为 2为正数数值后移滞后模式为行。
df.shift(periods2)
# A B C D
#2021-01-01 NaN NaN NaN NaN
#2021-01-02 NaN NaN NaN NaN
#2021-01-03 0.4356 0.899540 0.146171 0.543191
#2021-01-04 0.9787 0.824476 0.015656 0.862976我们将 periods 设置为 1正数数值后移滞后 模式为列。
df.shift(periods1, axiscolumns)
# A B C D
#2021-01-01 NaN 0.435600 0.899540 0.146171
#2021-01-02 NaN 0.978700 0.824476 0.015656
#2021-01-03 NaN 0.069611 0.503938 0.215017
#2021-01-04 NaN 0.112235 0.352456 0.026572我们将 periods 设置为 3正数数值后移NaN 填充为 0。
df.shift(periods3, fill_value0)
# A B C D
#2021-01-01 0.0000 0.00000 0.000000 0.000000
#2021-01-02 0.0000 0.00000 0.000000 0.000000
#2021-01-03 0.0000 0.00000 0.000000 0.000000
#2021-01-04 0.4356 0.89954 0.146171 0.543191当我们设置 freq 时表示对时间索引移动。
df.shift(periods3, freqD)
# A B C D
#2021-01-04 0.435600 0.899540 0.146171 0.543191
#2021-01-05 0.978700 0.824476 0.015656 0.862976
#2021-01-06 0.069611 0.503938 0.215017 0.677024
#2021-01-07 0.112235 0.352456 0.026572 0.103668我们可以计算变化百分比这里计算该时间戳与上一个时间戳相比变化百分比。
per df/df.shift(1) - 1
print(per)
# A B C D
#2021-01-01 NaN NaN NaN NaN
#2021-01-02 1.246787 -0.083447 -0.892891 0.588714
#2021-01-03 -0.928874 -0.388779 12.733554 -0.215477
#2021-01-04 0.612317 -0.300595 -0.876419 -0.846877
