【Python数据处理】使用strptime和strftime处理时间

简介: 使用strptime和strftime处理时间


问题:在处理数据时,时间数据有可能是文本型,这样在绘制时间关系图时可能因为无法识别时间导致无法绘图,因此有将时间转化为时间戳的需要。
时间转换为时间戳的代码如下:
1.时间转换为时间数组

# 将字符串类型时间转换为时间戳
import time
# T为字符串类型时间
T = '2019年1月6日23:22:24' 
# 将字符串类型时间拆分
timeArray = time.strptime(T,'%Y年%m月%d日%H:%M:%S')
timeArray

输出:

time.struct_time(tm_year=2019, tm_mon=1, tm_mday=6, tm_hour=23, tm_min=22, tm_sec=24, tm_wday=6, tm_yday=6, tm_isdst=-1)

可以看到时间被拆分开成年(tm_year),月(tm_mon)等
2.将timeArray转换为时间戳

# 转换为时间戳
timeStamp = int(time.mktime(timeArray))
timeStamp

输出:

Out[3]:
1546788144

时间戳转换为时间的代码如下:

# 将时间戳转换为字符串类型时间
timeArray_1 = time.localtime(timeStamp)
t = time.strftime('%Y/%m/%d %H:%M:%S',timeArray_1)
t

输出:

out[4]:
'2019/01/06 23:22:24'

又成功转换回时间。

相关文章
|
20天前
|
存储 算法 数据处理
使用Python编写高效的数据处理程序
在当今信息爆炸的时代,数据处理变得越来越重要。本文将介绍如何使用Python语言编写高效的数据处理程序,包括利用Python内置的数据结构和函数、优化算法和并行处理等技术,帮助开发者更好地处理和分析大规模数据。
|
20天前
|
数据处理 Python
python进行二进制数据处理的方法
python进行二进制数据处理的方法
24 0
|
6天前
|
数据采集 SQL 数据处理
Python中的Pandas库:数据处理与分析的利器
Python中的Pandas库:数据处理与分析的利器
20 0
|
7天前
|
数据采集 数据可视化 数据挖掘
使用Python进行高效数据处理
使用Python进行高效数据处理
24 1
|
7天前
|
数据采集 数据可视化 数据处理
Python中的高效数据处理:Pandas库详解
Python中的高效数据处理:Pandas库详解
28 2
|
14天前
|
数据采集 数据可视化 数据处理
利用Python和Pandas库实现高效的数据处理与分析
在大数据和人工智能时代,数据处理与分析已成为不可或缺的一环。Python作为一门强大的编程语言,结合Pandas库,为数据科学家和开发者提供了高效、灵活的数据处理工具。本文将介绍Pandas库的基本功能、优势,并通过实际案例展示如何使用Pandas进行数据清洗、转换、聚合等操作,以及如何利用Pandas进行数据可视化,旨在帮助读者深入理解并掌握Pandas在数据处理与分析中的应用。
|
16天前
|
存储 数据挖掘 数据处理
【Python DataFrame 专栏】优化 DataFrame 性能:提升数据处理效率的秘诀
【5月更文挑战第19天】优化 Python DataFrame 性能的关键点包括:选择合适的数据类型以节省内存,避免重复计算,利用向量化操作,考虑使用 `iterrows` 或 `itertuples` 迭代,优化索引以及借助 `Cython` 或 `Numba` 加速代码执行。通过这些策略,能提升数据处理效率,应对大规模数据挑战。
【Python DataFrame 专栏】优化 DataFrame 性能:提升数据处理效率的秘诀
|
16天前
|
数据挖掘 数据处理 Python
【Python DataFrame 专栏】深入探索 pandas DataFrame:高级数据处理技巧
【5月更文挑战第19天】在 Python 数据分析中,pandas DataFrame 是核心工具。本文介绍了几个高级技巧:1) 横向合并 DataFrame;2) 数据分组与聚合;3) 处理缺失值;4) 数据重塑;5) 条件筛选;6) 使用函数处理数据。掌握这些技巧能提升数据处理效率和分析深度,助你更好地发掘数据价值。
【Python DataFrame 专栏】深入探索 pandas DataFrame:高级数据处理技巧
|
20天前
|
SQL 数据采集 数据挖掘
构建高效的Python数据处理流水线:使用Pandas和NumPy优化数据分析任务
在数据科学和分析领域,Python一直是最受欢迎的编程语言之一。本文将介绍如何通过使用Pandas和NumPy库构建高效的数据处理流水线,从而加速数据分析任务的执行。我们将讨论如何优化数据加载、清洗、转换和分析的过程,以及如何利用这些库中的强大功能来提高代码的性能和可维护性。
|
20天前
|
存储 小程序 数据处理
【Python】—— pandas数据处理
【Python】—— pandas数据处理