Python模块(二):time库

简介: Python模块(二):time库

1.time库基本介绍


time库是Python中处理时间的标准库。它具有以下三种功能👇👇👇

①计算机时间的表达。

②提供获取系统时间并格式化输出功能。

③提供系统级精确计时功能,用于程序性能分析。

可以通过下面的两行代码来调用time库👇👇👇

1. import time
2. time.<b>()

time库包括三类函数:

①时间获取:time(),ctime(),gmtime()

②时间格式化:strftime(),strptime()

③程序计时:sleep(),perf_counter()

下面分别介绍这三类函数👇👇👇


2.时间获取


import time
time.time()
输出结果如下:
1589445805.8094637
(在这里获取了一个时间戳,这个是计算机内部的一个时间值)
import time
time.ctime()
输出结果如下:
'Thu May 14 16:44:42 2020'
(可以看到,我们使用ctime()函数获取当前时间:2020年5月14日,星期四,16点44分42秒)
import time
time.gmtime()
输出结果如下:
time.struct_time(tm_year=2020, tm_mon=5, tm_mday=14, tm_hour=8, 
tm_min=46, tm_sec=48, tm_wday=3, tm_yday=135, tm_isdst=0)
(这里获取的也是当前的时间,只不过表示为计算机可处理的时间格式)


3.时间格式化


将时间以合理的方式展示出来。

格式化:类似于字符串格式化,需要有展示模板。

展示模板由特定的格式化控制符组成。

strftime(),strptime()两种方法。

下面,我们来逐一介绍。👇👇👇


t=time.gmtime()
 time.strftime("%Y-%m-%d  %H:%M:%S", t)
输出结果如下:
'2020-05-14  08:58:36'


我们也可以将上面的输出内容定义成字符串形式,来看下面的内容👇👇👇



import time
timestr="2020-05-14  08:58:36"
time.strptime(timestr , "%Y-%m-%d  %H:%M:%S")
输出结果如下:
time.struct_time(tm_year=2020, tm_mon=5, tm_mday=14, tm_hour=8, 
tm_min=58, tm_sec=36, tm_wday=3, tm_yday=135, tm_isdst=-1)


上面这两种方法分别是strftime()和strptime(),下面我们来了解以下格式化控制符👇👇👇


格式化控制符的前面必须要有百分号,后面的字母,可以根据不同情况予以输出,对应的实例也各有不同!!!


4.程序计时应用


程序计时指的是测量起止动作所经历时间的过程。

测量时间我们可以使用:perf_counter()

产生时间我们可以使用:sleep()

下面,我们来介绍一下这两个函数以及使用方法:👇👇👇

x=time.perf_counter()
y=time.perf_counter()
print(y-x)
输出结果如下:
8.218723500000124


time.sleep(5)
(在IDLE编译环境下输入上述代码之后,可以看到你的程序将等待5秒之后,再退出)

那么以上就是博主总结的Python语言中的time库的一些相关内容!!!



相关文章
|
5月前
|
SQL 关系型数据库 数据库
Python SQLAlchemy模块:从入门到实战的数据库操作指南
免费提供Python+PyCharm编程环境,结合SQLAlchemy ORM框架详解数据库开发。涵盖连接配置、模型定义、CRUD操作、事务控制及Alembic迁移工具,以电商订单系统为例,深入讲解高并发场景下的性能优化与最佳实践,助你高效构建数据驱动应用。
665 7
|
5月前
|
监控 安全 程序员
Python日志模块配置:从print到logging的优雅升级指南
从 `print` 到 `logging` 是 Python 开发的必经之路。`print` 调试简单却难维护,日志混乱、无法分级、缺乏上下文;而 `logging` 支持级别控制、多输出、结构化记录,助力项目可维护性升级。本文详解痛点、优势、迁移方案与最佳实践,助你构建专业日志系统,让程序“有记忆”。
433 0
|
5月前
|
数据可视化 关系型数据库 MySQL
【可视化大屏】全流程讲解用python的pyecharts库实现拖拽可视化大屏的背后原理,简单粗暴!
本文详解基于Python的电影TOP250数据可视化大屏开发全流程,涵盖爬虫、数据存储、分析及可视化。使用requests+BeautifulSoup爬取数据,pandas存入MySQL,pyecharts实现柱状图、饼图、词云图、散点图等多种图表,并通过Page组件拖拽布局组合成大屏,支持多种主题切换,附完整源码与视频讲解。
526 4
【可视化大屏】全流程讲解用python的pyecharts库实现拖拽可视化大屏的背后原理,简单粗暴!
|
5月前
|
传感器 运维 前端开发
Python离群值检测实战:使用distfit库实现基于分布拟合的异常检测
本文解析异常(anomaly)与新颖性(novelty)检测的本质差异,结合distfit库演示基于概率密度拟合的单变量无监督异常检测方法,涵盖全局、上下文与集体离群值识别,助力构建高可解释性模型。
471 10
Python离群值检测实战:使用distfit库实现基于分布拟合的异常检测
|
5月前
|
JSON 算法 API
Python中的json模块:从基础到进阶的实用指南
本文深入解析Python内置json模块的使用,涵盖序列化与反序列化核心函数、参数配置、中文处理、自定义对象转换及异常处理,并介绍性能优化与第三方库扩展,助你高效实现JSON数据交互。(238字)
523 4
|
5月前
|
Java 调度 数据库
Python threading模块:多线程编程的实战指南
本文深入讲解Python多线程编程,涵盖threading模块的核心用法:线程创建、生命周期、同步机制(锁、信号量、条件变量)、线程通信(队列)、守护线程与线程池应用。结合实战案例,如多线程下载器,帮助开发者提升程序并发性能,适用于I/O密集型任务处理。
510 0
|
5月前
|
XML JSON 数据处理
超越JSON:Python结构化数据处理模块全解析
本文深入解析Python中12个核心数据处理模块,涵盖csv、pandas、pickle、shelve、struct、configparser、xml、numpy、array、sqlite3和msgpack,覆盖表格处理、序列化、配置管理、科学计算等六大场景,结合真实案例与决策树,助你高效应对各类数据挑战。(238字)
605 0
|
6月前
|
存储 数据库 开发者
Python SQLite模块:轻量级数据库的实战指南
本文深入讲解Python内置sqlite3模块的实战应用,涵盖数据库连接、CRUD操作、事务管理、性能优化及高级特性,结合完整案例,助你快速掌握SQLite在小型项目中的高效使用,是Python开发者必备的轻量级数据库指南。
530 0
|
开发者 Python
如何在Python中管理模块和包的依赖关系?
在实际开发中,通常会结合多种方法来管理模块和包的依赖关系,以确保项目的顺利进行和可维护性。同时,要及时更新和解决依赖冲突等问题,以保证代码的稳定性和可靠性
632 159

推荐镜像

更多