Pandas处理日期数据的常见操作集锦

数据读取及整理
获取某个日期之前/后或时间区间的数据
python 获取当前时间及前一天时间
pandas的日期时间间隔运算选取指定时间范围内/外的数据
利用pandas计算DataFrame两列日期的间隔小时数
numpy中-Datetimes and Timedeltas的使用
日期格式转换
日期的计算

数据读取及整理

将数据类型转换为日期类型

 df['date'] = pd.to_datetime(df['date'])

将date设置为index

 df = df.set_index('date')

获取某年的数据

print(df['2010'].head())

获取某月的数据

print(df['2013-11'].head())

提取全日期字段中的日期和时间项

data4["订单生成时间"] = pd.to_datetime(data4["订单生成时间"])
data4["时间"] = data4["订单生成时间"].dt.hour   #提取时间
data4["日期"] = data4["订单生成时间"].dt.date   #提取日期

获取某个日期之前/后或时间区间的数据
dataframe的.truncate()函数可以截取某个时期之前或之后的数据，或者某个时间区间的数据，进行统计分析。
注意事项：
使用.truncate()函数对df进行数据集截取，遇到截取数据不符合预期，且若时间序列无序会抛出异常
解决措施：
在使用.truncate()函数对df进行数据集截取之前，需要先使用df=df.sort_values(‘date’)‘date’列按时间先后进行排序，然后使用df = df.set_index('date')，将“date”设置为index，最后再使用df_last=df.truncate(after=‘2019-05-22 16:00:00’)提取指定时间节点之前的数据。
函数语法：

DataFrame.truncate(before=None, after=None, axis=None, copy=True)

参数说明：
before：取值范围：date，string，int，是指截断此索引值之前的所有行
after：取值范围：date，string，int，是指截断此索引值后的所有行
axis：取值范围：{0或’index’，1或’columns’}（可选），是指轴截断。默认情况截断索引（行）。
copy：取值范围：boolean，默认为True，返回截断部分的副本
常见用法：

获取2014年以后的数据

print(df.truncate(before='2014').head())

获取2013-11月之前的数据，用after

print(df.truncate(after='2013-11').head())

获取2016-02月以后的数据，用before

print(df.truncate(before='2016-02').head())

获取2019-05-22日16:00:00时之前的数据

 df=data.truncate(after='2019-05-22 16:00:00')

获取指定时间区间的数据

 df=df['2016-02-2':'2016-02-10']

获取指定时间区间的数据

 df=df['2016-02-2':'2016-02-10']

python 获取当前时间及前一天时间

import datetime
from pandas.tseries.offsets import Day
now_time =datetime.datetime.now()#获取当前时间
yes_time = (now_time -1*Day()).strftime('%Y-%m-%d')#格式化
print(yes_time)

pandas的日期时间间隔运算

import datetime
from datetime import timedelta
df_189[‘订单生成日期’]=pd.to_datetime(df_189[‘订单生成日期’])  #修改“订单生成时间”的数据类型
df_189[‘订单生成日期’]+timedelta(days=1)  #后一天的日期
df_189[‘订单生成日期’]-timedelta(days=3)  #前3天的日期

选取指定时间范围内/外的数据

   ##提取3日前日期和7日前日期
now_time =datetime.datetime.now()#获取当前时间
yes_time_7 = (now_time -7*Day()).strftime('%Y-%m-%d')#格式化
yes_time_3= (now_time-3*Day()).strftime("%Y-%m-%d")
print(yes_time_7)
print('='*50)
print(yes_time_3)df_189['订单生成日期']=pd.to_datetime(df_189['订单生成日期'])  #修改“订单生成时间”的数据类型
df_189_7= df_189[df_189['订单生成日期']==yes_time_7]
df_189_3= df_189[df_189['订单生成日期']==yes_time_3]
print(df_189_7.info()) #选取该错误数据对应的时间范围外的数据，多个条件时 '|'代表'或'，'&'代表'且'  或者
a= df_189[df_189['订单生成日期']=='2019-06-23']   #筛选2019-06-23的数据

利用pandas计算DataFrame两列日期的间隔小时数

import pandas as pd
#方法一：
#先利用to_datetime转换为时间格式，tm列的数据形式为'yyyy-MM-dd HH:mm:ss'
df['tm_1'] = pd.to_datetime(df['tm_1'])
df['tm_2'] = pd.to_datetime(df['tm_2'])
#利用".dt.seconds"转换为秒，除以相对于的间隔数得到分钟、小时等
df['diff_time'] = (df['tm_1'] - df['tm_2']).dt.seconds/60
#利用round函数可进行四舍五入
df['diff_time'] = round(df['diff_time'])#方法二，日期相减变为小时；变为天的话将h替换为D即可：
df['diff_time'] = (df['tm_1'] - df['tm_2']).values/np.timedelta64(1, 'h')
#Dataframe中的时间是不能直接进行相加减的,所以需要先用pandas的to_datetime()方法，转化成时间格式进行加减，然后再转换成df格式
#delta=df1['Time_end']-df1['Time_start'] #直接报错TypeError: unsupported operand type(s) for -: 'str' and 'str'
#日期相减变为小时；变为天的话将h替换为D即可：
sf_df['交易周期']=pd.DataFrame((pd.to_datetime(sf_df['交易完成时间'])-pd.to_datetime(sf_df['订单生成时间'])).values/np.timedelta64(1,'h'))

numpy中-Datetimes and Timedeltas的使用日期格式转换
在numpy中，使用np.datetime64('2017-08' , 'D')可以很方便的将字符串转换成日期类型。

import numpy as np
np.datetime64('2017-08-06')  #精确到日
>>>
numpy.datetime64('2017-08-06')
np.datetime64('2018-08')   #精确到月
>>>
numpy.datetime64('2018-08')
# 通过参数，强制将数据格式转为我们想要的粒度
np.datetime64('2017-08','D')  #转化到日
>>>
numpy.datetime64('2017-08-01')
np.datetime64('2017-08','Y')  #转化到年
>>>
numpy.datetime64('2017')
a = np.array(['2017-07-01','2017-07-15','2017-08-01'],dtype = np.datetime64)  #列表日期
a
>>>
array(['2017-07-01', '2017-07-15', '2017-08-01'], dtype='datetime64[D]')
# 我们也可以使用arange函数初始化数组
b = np.arange('2017-08-01','2017-09-01',dtype = np.datetime64)
b
>>>
array(['2017-08-01', '2017-08-02', '2017-08-03', '2017-08-04','2017-08-05', '2017-08-06', '2017-08-07', '2017-08-08','2017-08-09', '2017-08-10', '2017-08-11', '2017-08-12','2017-08-13', '2017-08-14', '2017-08-15', '2017-08-16','2017-08-17', '2017-08-18', '2017-08-19', '2017-08-20','2017-08-21', '2017-08-22', '2017-08-23', '2017-08-24','2017-08-25', '2017-08-26', '2017-08-27', '2017-08-28','2017-08-29', '2017-08-30', '2017-08-31'], dtype='datetime64[D]')

日期的计算
在numpy中，我们可以进行简单的日期计算

# 两个日期相减，会得到相差的天数
np.datetime64('2017-08-03') - np.datetime64('2017-07-15')
>>>
numpy.timedelta64(19,'D')
# 这里日期可以直接减去对应的天数
np.datetime64('2017-08-03') - np.timedelta64(20,'D')
>>>
#这里日期的粒度必须保证一样，一个是D，一个是M，是不可以相减的
np.datetime64('2017-08-03') - np.timedelta64(1,'M')
>>>
TypeError: Cannot get a common metadata divisor for NumPy datetime metadata [D] and [M] because they have incompatible nonlinear base time units
np.datetime64('2017-08') - np.timedelta64(1,'M')
>>>
numpy.datetime64('2017-07')(np.datetime64('2014-10-30 23:00:00') - np.datetime64('2014-10-21 00:00:00'))  #按秒计时(np.datetime64('2014-10-30 23:00:00') - np.datetime64('2014-10-21 00:00:00'))/np.timedelta64(1, 'h')   #计算时间差，并转为小时
>>>
239.0
#计算终止时间-初试时间，转为小时格式，最后格式设置为整型。np.floor((x - start_hour) / np.timedelta64(1, 'h')).astype(np.uint16)
np.floor((np.datetime64('2014-10-30 23:00:00') - np.datetime64('2014-10-21 00:00:00'))/np.timedelta64(1, 'h')).astype(np.uint16)>>>239

Pandas处理日期数据的常见操作集锦相关推荐

pandas判断日期是否是闰年（is_leap_year）实战: 数据列转化为日期（时间）格式、判断pandas的日期数据列是否是闰年
pandas判断日期是否是闰年(is_leap_year)实战: 数据列转化为日期(时间)格式.判断pandas的日期数据列是否是闰年目录
excel pandas 空格_pandas 实现 Excel 常见操作 (1)
Excel 是数据处理最常用的工具,pandas 是数据分析的利器.那么,Excel 一些常见的操作, pandas 如何实现呢?网上有两篇挺有意思的文章,对此做了详细介绍.我结合自己在学习博文过程中 ...
C标准函数库中获取时间与日期、对时间与日期数据操作及格式化
表示时间的三种数据类型[编辑] 日历时间(calendar time),是从一个标准时间点(epoch)到现在的时间经过的秒数,不包括插入闰秒对时间的调整.开始计时的标准时间点,各种编译器一般使用19 ...
数据科学 IPython 笔记本 7.6 Pandas 中的数据操作
7.6 Pandas 中的数据操作原文:Operating on Data in Pandas 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(P ...
python之日期与时间处理模块及利用pandas处理时间序列数据
文章目录时间序列一.日期和时间数据类型及工具 1.1字符串与datetime互相转换二.时间序列基础时间序列时间序列(time series)数据是一种重要的结构化数据形式,应用于多个领域, ...
一文速学-Pandas处理时间序列数据操作详解
目录前言一.获取时间二.时间索引三.时间推移参阅前言一般从数据库或者是从日志文件读出的数据均带有时间序列,做时序数据处理或者实时分析都需要对其时间序列进行归类归档.而Pandas是处理这 ...
pandas——数据移位、数据转换、数据合并、数据导出和日期数据的处理，时间序列等
pandas统计分析(下) 本文主要介绍使用pandas进行数据移位.数据转换.数据合并.数据导出和日期数据的处理,时间序列等. 数据移位数据移位就是在分析数据时,需要移动到上一条,在pandas中 ...
Pandas数据表关联操作
pandas数据表关联操作 Pandas具有功能全面的高性能内存中连接操作,与SQL等关系数据库非常相似. Pandas提供了一个单独的merge()函数,作为DataFrame对象之间所有标准数据库 ...
pandas使用dt.year(month/day/hour/minute/second)函数抽取dataframe日期数据列对应的年月日时分秒信息
pandas使用dt.year(month/day/hour/minute/second)函数抽取dataframe日期数据列对应的年月日时分秒信息目录 pandas使用dt.year(month/ ...

Pandas处理日期数据的常见操作集锦

Pandas处理日期数据的常见操作集锦相关推荐

最新文章

热门文章