软件测试|数据处理神器pandas教程（十）

前言

之前我们介绍了pandas处理时间以及pandas时间序列的内容，本文我们来介绍pandas处理时间差的有关操作。

Timedelta 表示时间差（或者时间增量），我们可以使用不同的时间单位来表示它，比如，天、小时、分、秒。时间差的最终的结果可以是正时间差，也可以是负时间差。

本文主要介绍创建 Timedelta （时间差）的方法以及与时间差相关的运算法则。

创建时间差对象

1. 通过传递字符串可以创建 Timedelta 对象，示例如下：

import pandas as pd
print(pd.Timedelta('5 days 23 hours 50 minutes 23 seconds'))

------------------------
输出结果如下：
5 days 23:50:23

1. 传递整数值和unit参数也可以创建一个 Timedelta 对象，示例如下：

import pandas as pd
print(pd.Timedelta(7,unit='h'))

--------------------------
输出结果如下：
0 days 07:00:00

1. 数据偏移量，周(weeks)、天(days)、小时(hours)、分钟(minutes)、秒(milliseconds)、毫秒、微秒、纳秒都可以使用，示例如下：

import pandas as pd

print (pd.Timedelta(weeks=1,days=2,hours=6))


------------------------------
输出结果如下：
9 days 06:00:00

注：周会直接换算成天数，与天数相加，该方法不支持月份作为数据偏移量

1. to_timedelta()

使用pd.to_timedelta()方法，将具有 timedelta 格式的值 (标量、数组、列表或 Series）转换为 Timedelta 类型。如果输入是 Series，则返回 Series；如果输入是标量，则返回值也为标量，其他情况输出 TimedeltaIndex。示例如下：

import pandas as pd
import numpy as np

print(pd.to_timedelta(['1 days 06:05:01.00003', '15.5us', 'nan']))
print(pd.to_timedelta(np.arange(5), unit='s'))
---------------
输出结果如下：
TimedeltaIndex(['1 days 06:05:01.000030', '0 days 00:00:00.000015500', NaT], dtype='timedelta64[ns]', freq=None)
TimedeltaIndex(['0 days 00:00:00', '0 days 00:00:01', '0 days 00:00:02',
                '0 days 00:00:03', '0 days 00:00:04'],
               dtype='timedelta64[ns]', freq=None)

算术操作

对datetime64[ns]类型的时间序列或时间戳做算术运算，其运算结果依然是datetime64[ns]数据类型。接下来，我们创建一个带有 Timedelta 与 datetime 的 DataFrame 对象，并对其做一些算术运算。

示例代码如下：

import pandas as pd
s = pd.Series(pd.date_range('2023-3-23', periods=5, freq='D'))
#推导式用法
td = pd.Series([ pd.Timedelta(days=i) for i in range(5)])
df = pd.DataFrame(dict(A = s, B = td))
print(df)

----------------------
输出结果如下：
           A      B
0 2023-03-23 0 days
1 2023-03-24 1 days
2 2023-03-25 2 days
3 2023-03-26 3 days
4 2023-03-27 4 days

1. 加法运算

import pandas as pd
s = pd.Series(pd.date_range('2023-3-20', periods=3, freq='D'))
td = pd.Series([ pd.Timedelta(days=i) for i in range(3) ])
df = pd.DataFrame(dict(A = s, B = td))
#加法运算
df['C']=df['A']+df['B']
print(df)
------------------------
输出结果如下：
           A      B          C
0 2023-03-20 0 days 2023-03-20
1 2023-03-21 1 days 2023-03-22
2 2023-03-22 2 days 2023-03-24

1. 减法运算

import pandas as pd
s = pd.Series(pd.date_range('2023-3-20', periods=3, freq='D'))
td = pd.Series([ pd.Timedelta(days=i) for i in range(3) ])
df = pd.DataFrame(dict(A = s, B = td))
df['C']=df['A']+df['B']
df['D']=df['C']-df['B']
print(df)

-------------------------
输出结果如下：
           A      B          C          D
0 2023-03-20 0 days 2023-03-20 2023-03-20
1 2023-03-21 1 days 2023-03-22 2023-03-21
2 2023-03-22 2 days 2023-03-24 2023-03-22

总结

本文主要介绍了pandas对于时间差的处理，与datetime的处理相比，pandas对于时间差的处理更加方便直接，后续我们将继续介绍pandas对字符串的处理。