python pandas时间操作函数

简介: python pandas时间操作函数

代码数据集:

通过上图数据集,使用如下三个时间操作函数进行演示。

  • to_datetime()
  • DateOffset()
  • Datetimeindex()


1 pd.to_datetime()


功能:将str和unicode转化为指定时间戳格式


time=pd.to_datetime('2021-06-10 12:00:00',format='%Y/%m/%d %H:%M:%S')
time:2021/06/10 12:00:00


2 pd.DateOffset()


功能:时间戳的加减

参数:


  • months:设置月
  • days:设置天
  • years:设置年
  • hours:设置小时
  • minutes:设置分钟
  • seconds:设置秒
time=time.to_datetime('2021-06-10')+pd.DateOffset(days=4)
time:2021-06-14 12:00:00


3 pd.Datetimeindex()


将时间list类型转化为时间序列相关的可操作序列


pd.DatetimeIndex(dates)
DatetimeIndex(['1969-09-15 11:38:30', '1965-01-15 11:38:30',
               '1975-07-15 11:38:30', '1964-03-15 11:38:30',
               '1977-03-15 11:38:30', '1972-11-15 11:38:30',
               '1959-06-15 11:38:30', '1970-04-15 11:38:30',
               '1953-01-15 11:38:30', '1979-09-15 11:38:30',
               ...
               '1968-07-15 11:38:30', '1971-03-15 11:38:30',
               '1962-01-15 11:38:30', '1958-07-15 11:38:30',
               '1970-12-15 11:38:30', '1959-11-15 11:38:30',
               '1952-01-15 11:38:30', '1970-02-15 11:38:30',
               '1961-11-15 11:38:30', '1965-12-15 11:38:30'],
              dtype='datetime64[ns]', length=10847, freq=None)
pd.DatetimeIndex(dates).year
Int64Index([1969, 1965, 1975, 1964, 1977, 1972, 1959, 1970, 1953, 1979,
            ...
            1968, 1971, 1962, 1958, 1970, 1959, 1952, 1970, 1961, 1965],
           dtype='int64', length=10847)
相关文章
|
2月前
|
搜索推荐 Python
利用Python内置函数实现的冒泡排序算法
在上述代码中,`bubble_sort` 函数接受一个列表 `arr` 作为输入。通过两层循环,外层循环控制排序的轮数,内层循环用于比较相邻的元素并进行交换。如果前一个元素大于后一个元素,就将它们交换位置。
139 67
|
1天前
|
JSON 监控 安全
深入理解 Python 的 eval() 函数与空全局字典 {}
`eval()` 函数在 Python 中能将字符串解析为代码并执行,但伴随安全风险,尤其在处理不受信任的输入时。传递空全局字典 {} 可限制其访问内置对象,但仍存隐患。建议通过限制函数和变量、使用沙箱环境、避免复杂表达式、验证输入等提高安全性。更推荐使用 `ast.literal_eval()`、自定义解析器或 JSON 解析等替代方案,以确保代码安全性和可靠性。
11 2
|
28天前
|
Python
Python中的函数是**一种命名的代码块,用于执行特定任务或计算
Python中的函数是**一种命名的代码块,用于执行特定任务或计算
48 18
|
20天前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
46 8
|
29天前
|
Python
Python中的函数
Python中的函数
43 8
|
2月前
|
监控 测试技术 数据库
Python中的装饰器:解锁函数增强的魔法####
本文深入探讨了Python语言中一个既强大又灵活的特性——装饰器(Decorator),它以一种优雅的方式实现了函数功能的扩展与增强。不同于传统的代码复用机制,装饰器通过高阶函数的形式,为开发者提供了在不修改原函数源代码的前提下,动态添加新功能的能力。我们将从装饰器的基本概念入手,逐步解析其工作原理,并通过一系列实例展示如何利用装饰器进行日志记录、性能测试、事务处理等常见任务,最终揭示装饰器在提升代码可读性、维护性和功能性方面的独特价值。 ####
|
2月前
|
Python
Python中的`range`函数与负增长
在Python中,`range`函数用于生成整数序列,支持正向和负向增长。本文详细介绍了如何使用`range`生成负增长的整数序列,并提供了多个实际应用示例,如反向遍历列表、生成倒计时和计算递减等差数列的和。通过这些示例,读者可以更好地掌握`range`函数的使用方法。
54 5
|
2月前
|
数据采集 数据可视化 数据处理
Python数据科学:Pandas库入门与实践
Python数据科学:Pandas库入门与实践
|
2月前
|
机器学习/深度学习 数据采集 数据可视化
Python数据科学实战:从Pandas到机器学习
Python数据科学实战:从Pandas到机器学习
|
2月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
50 2