pythopn time & datetime模块(时间)

简介:
>>> import time
>>> print(help(time))                 # help查看python模块中函数的用法
>>> print(time.time())                 #1515773238.5295434    当前时间戳
>>> time.sleep(3)                       #推迟调用线程的运行,可通过参数secs指秒数,表示进程挂起的时间
>>> print(time.clock())                 #计算CPU执行时间
>>> print(time.gmtime())                # 结构化时间  返回一个元组
>>> print(time.localtime())              #格式化时间戳为本地的时间
>>> print(help(time.strftime))
*************************
>>> localtime=time.localtime()
>>> print(time.strftime('%Y-%m-%d %H-%M-%S',localtime)) 
>>> #ime.strftime    2018-01-13 00-34-45  接收以时间元组,并返回以可读字符串表示的当地时间
************************
>>> ztime=('2009-2-17 12-52-55')
>>>  a=time.strptime(ztime,"%Y-%m-%d %H-%M-%S")
>>>  print(a)               #根据指定的格式把一个时间字符串解析为时间元组。
>>>  print(a.tm_mon)        #获取指定日期时间   此项为获取月   2
**************************
>>>  print(time.ctime())     #Sat Jan 13 00:46:23 2018   默认当前时间戳  时间戳转换成结构化时间
>>>  print(time.ctime(1515773238.5295434))   #Sat Jan 13 00:07:18 2018
>>>  print(time.mktime(time.localtime()))   #1515775876.0   结构化时间转换成时间戳

>>> import datetime
>>> print(datetime.datetime.now())   #2018-01-13 00:54:12.721580
>>> print(datetime.date.fromtimestamp(time.time()) )  # 时间戳直接转成日期格式 2018-01-13
>>> print(datetime.datetime.now() + datetime.timedelta(3)) #当前时间+3天       2018-01-16 13:27:11.574250
>>> print(datetime.datetime.now() + datetime.timedelta(-3)) #当前时间-3天     2018-01-10 13:27:11.574250
>>> print(datetime.datetime.now() + datetime.timedelta(hours=3)) #当前时间+3小时  2018-01-13 16:27:11.574250
>>> print(datetime.datetime.now() + datetime.timedelta(minutes=30)) #当前时间+30分 2018-01-13 13:57:11.574250
>>> c_time  = datetime.datetime.now()
>>> print(c_time.replace(minute=3,hour=2)) #时间替换  2018-01-13 02:03:52.046024

pythopn time & datetime模块(时间)












本文转自lb沫51CTO博客,原文链接:http://blog.51cto.com/13562606/2060541,如需转载请自行联系原作者

相关文章
|
8天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
307 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
842 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
239 113