简介 时间应该是在数据处理中经常会用到的一种数据类型，除了Numpy中datetime64 和 timedelta64 这两种数据类型之外，pandas 还整合了其他python库比如 scikits.timeseries 中的功能。
时间分类 pandas中有四种时间类型：

1. Date times : 日期和时间，可以带时区。和标准库中的 datetime.datetime 类似。
2. Time deltas： 绝对持续时间，和 标准库中的 datetime.timedelta 类似。
3. Time spans： 由时间点及其关联的频率定义的时间跨度。
4. Date offsets：基于日历计算的时间 和 dateutil.relativedelta.relativedelta 类似。

我们用一张表来表示：

类型	标量class	数组class	pandas数据类型	主要创建方法
Date times	Timestamp	DatetimeIndex	datetime64[ns] or datetime64[ns, tz]	to_datetime or date_range
Time deltas	Timedelta	TimedeltaIndex	timedelta64[ns]	to_timedelta or timedelta_range
Time spans	Period	PeriodIndex	period[freq]	Period or period_range
Date offsets	DateOffset	None	None	DateOffset

看一个使用的例子：

In [19]: pd.Series(range(3), index=pd.date_range("2000", freq="D", periods=3)) Out[19]: 2000-01-010 2000-01-021 2000-01-032 Freq: D, dtype: int64

看一下上面数据类型的空值：

In [24]: pd.Timestamp(pd.NaT) Out[24]: NaTIn [25]: pd.Timedelta(pd.NaT) Out[25]: NaTIn [26]: pd.Period(pd.NaT) Out[26]: NaT# Equality acts as np.nan would In [27]: pd.NaT == pd.NaT Out[27]: False

Timestamp Timestamp 是最基础的时间类型，我们可以这样创建：

In [28]: pd.Timestamp(datetime.datetime(2012, 5, 1)) Out[28]: Timestamp('2012-05-01 00:00:00')In [29]: pd.Timestamp("2012-05-01") Out[29]: Timestamp('2012-05-01 00:00:00')In [30]: pd.Timestamp(2012, 5, 1) Out[30]: Timestamp('2012-05-01 00:00:00')

DatetimeIndex Timestamp 作为index会自动被转换为DatetimeIndex：

In [33]: dates = [ ....:pd.Timestamp("2012-05-01"), ....:pd.Timestamp("2012-05-02"), ....:pd.Timestamp("2012-05-03"), ....: ] ....: In [34]: ts = pd.Series(np.random.randn(3), dates)In [35]: type(ts.index) Out[35]: pandas.core.indexes.datetimes.DatetimeIndexIn [36]: ts.index Out[36]: DatetimeIndex(['2012-05-01', '2012-05-02', '2012-05-03'], dtype='datetime64[ns]', freq=None)In [37]: ts Out[37]: 2012-05-010.469112 2012-05-02-0.282863 2012-05-03-1.509059 dtype: float64

date_range 和 bdate_range 还可以使用 date_range 来创建DatetimeIndex：

In [74]: start = datetime.datetime(2011, 1, 1)In [75]: end = datetime.datetime(2012, 1, 1)In [76]: index = pd.date_range(start, end)In [77]: index Out[77]: DatetimeIndex(['2011-01-01', '2011-01-02', '2011-01-03', '2011-01-04', '2011-01-05', '2011-01-06', '2011-01-07', '2011-01-08', '2011-01-09', '2011-01-10', ... '2011-12-23', '2011-12-24', '2011-12-25', '2011-12-26', '2011-12-27', '2011-12-28', '2011-12-29', '2011-12-30', '2011-12-31', '2012-01-01'], dtype='datetime64[ns]', length=366, freq='D')

date_range 是日历范围，bdate_range 是工作日范围：

In [78]: index = pd.bdate_range(start, end)In [79]: index Out[79]: DatetimeIndex(['2011-01-03', '2011-01-04', '2011-01-05', '2011-01-06', '2011-01-07', '2011-01-10', '2011-01-11', '2011-01-12', '2011-01-13', '2011-01-14', ... '2011-12-19', '2011-12-20', '2011-12-21', '2011-12-22', '2011-12-23', '2011-12-26', '2011-12-27', '2011-12-28', '2011-12-29', '2011-12-30'], dtype='datetime64[ns]', length=260, freq='B')

两个方法都可以带上 start, end, 和 periods 参数。

In [84]: pd.bdate_range(end=end, periods=20) In [83]: pd.date_range(start, end, freq="W") In [86]: pd.date_range("2018-01-01", "2018-01-05", periods=5)

origin 使用 origin参数，可以修改 DatetimeIndex 的起点：

In [67]: pd.to_datetime([1, 2, 3], unit="D", origin=pd.Timestamp("1960-01-01")) Out[67]: DatetimeIndex(['1960-01-02', '1960-01-03', '1960-01-04'], dtype='datetime64[ns]', freq=None)

默认情况下 origin='unix', 也就是起点是 1970-01-01 00:00:00.

In [68]: pd.to_datetime([1, 2, 3], unit="D") Out[68]: DatetimeIndex(['1970-01-02', '1970-01-03', '1970-01-04'], dtype='datetime64[ns]', freq=None)

格式化 使用format参数可以对时间进行格式化：

In [51]: pd.to_datetime("2010/11/12", format="%Y/%m/%d") Out[51]: Timestamp('2010-11-12 00:00:00')In [52]: pd.to_datetime("12-11-2010 00:00", format="%d-%m-%Y %H:%M") Out[52]: Timestamp('2010-11-12 00:00:00')

Period Period 表示的是一个时间跨度,通常和freq一起使用：

In [31]: pd.Period("2011-01") Out[31]: Period('2011-01', 'M')In [32]: pd.Period("2012-05", freq="D") Out[32]: Period('2012-05-01', 'D')

Period可以直接进行运算：

In [345]: p = pd.Period("2012", freq="A-DEC")In [346]: p + 1 Out[346]: Period('2013', 'A-DEC')In [347]: p - 3 Out[347]: Period('2009', 'A-DEC')In [348]: p = pd.Period("2012-01", freq="2M")In [349]: p + 2 Out[349]: Period('2012-05', '2M')In [350]: p - 1 Out[350]: Period('2011-11', '2M')

注意，Period只有具有相同的freq才能进行算数运算。包括 offsets 和 timedelta

In [352]: p = pd.Period("2014-07-01 09:00", freq="H")In [353]: p + pd.offsets.Hour(2) Out[353]: Period('2014-07-01 11:00', 'H')In [354]: p + datetime.timedelta(minutes=120) Out[354]: Period('2014-07-01 11:00', 'H')In [355]: p + np.timedelta64(7200, "s") Out[355]: Period('2014-07-01 11:00', 'H')

Period作为index可以自动被转换为PeriodIndex：

In [38]: periods = [pd.Period("2012-01"), pd.Period("2012-02"), pd.Period("2012-03")]In [39]: ts = pd.Series(np.random.randn(3), periods)In [40]: type(ts.index) Out[40]: pandas.core.indexes.period.PeriodIndexIn [41]: ts.index Out[41]: PeriodIndex(['2012-01', '2012-02', '2012-03'], dtype='period[M]', freq='M')In [42]: ts Out[42]: 2012-01-1.135632 2012-021.212112 2012-03-0.173215 Freq: M, dtype: float64

可以通过 pd.period_range 方法来创建 PeriodIndex：

In [359]: prng = pd.period_range("1/1/2011", "1/1/2012", freq="M")In [360]: prng Out[360]: PeriodIndex(['2011-01', '2011-02', '2011-03', '2011-04', '2011-05', '2011-06', '2011-07', '2011-08', '2011-09', '2011-10', '2011-11', '2011-12', '2012-01'], dtype='period[M]', freq='M')

还可以通过PeriodIndex直接创建：

In [361]: pd.PeriodIndex(["2011-1", "2011-2", "2011-3"], freq="M") Out[361]: PeriodIndex(['2011-01', '2011-02', '2011-03'], dtype='period[M]', freq='M')

DateOffset DateOffset表示的是频率对象。它和Timedelta很类似，表示的是一个持续时间，但是有特殊的日历规则。比如Timedelta一天肯定是24小时，而在 DateOffset中根据夏令时的不同，一天可能会有23，24或者25小时。

# This particular day contains a day light savings time transition In [144]: ts = pd.Timestamp("2016-10-30 00:00:00", tz="Europe/Helsinki")# Respects absolute time In [145]: ts + pd.Timedelta(days=1) Out[145]: Timestamp('2016-10-30 23:00:00+0200', tz='Europe/Helsinki')# Respects calendar time In [146]: ts + pd.DateOffset(days=1) Out[146]: Timestamp('2016-10-31 00:00:00+0200', tz='Europe/Helsinki')In [147]: friday = pd.Timestamp("2018-01-05")In [148]: friday.day_name() Out[148]: 'Friday'# Add 2 business days (Friday --> Tuesday) In [149]: two_business_days = 2 * pd.offsets.BDay()In [150]: two_business_days.apply(friday) Out[150]: Timestamp('2018-01-09 00:00:00')In [151]: friday + two_business_days Out[151]: Timestamp('2018-01-09 00:00:00')In [152]: (friday + two_business_days).day_name() Out[152]: 'Tuesday'

DateOffsets 和Frequency 运算是先关的，看一下可用的Date Offset 和它相关联的 Frequency：

Date Offset	Frequency String	描述
DateOffset	None	通用的offset 类
BDay or BusinessDay	'B'	工作日
CDay or CustomBusinessDay	'C'	自定义的工作日
Week	'W'	一周
WeekOfMonth	'WOM'	每个月的第几周的第几天
LastWeekOfMonth	'LWOM'	每个月最后一周的第几天
MonthEnd	'M'	日历月末
MonthBegin	'MS'	日历月初
BMonthEnd or BusinessMonthEnd	'BM'	营业月底
BMonthBegin or BusinessMonthBegin	'BMS'	营业月初
CBMonthEnd or CustomBusinessMonthEnd	'CBM'	自定义营业月底
CBMonthBegin or CustomBusinessMonthBegin	'CBMS'	自定义营业月初
SemiMonthEnd	'SM'	日历月末的第15天
SemiMonthBegin	'SMS'	日历月初的第15天
QuarterEnd	'Q'	日历季末
QuarterBegin	'QS'	日历季初
BQuarterEnd	'BQ	工作季末
BQuarterBegin	'BQS'	工作季初
FY5253Quarter	'REQ'	零售季（ 52-53 week)
YearEnd	'A'	日历年末
YearBegin	'AS' or 'BYS'	日历年初
BYearEnd	'BA'	营业年末
BYearBegin	'BAS'	营业年初
FY5253	'RE'	零售年 (aka 52-53 week)
Easter	None	复活节假期
BusinessHour	'BH'	business hour
CustomBusinessHour	'CBH'	custom business hour
Day	'D'	一天的绝对时间
Hour	'H'	一小时
Minute	'T' or 'min'	一分钟
Second	'S'	一秒钟
Milli	'L' or 'ms'	一微妙
Micro	'U' or 'us'	一毫秒
Nano	'N'	一纳秒

DateOffset还有两个方法 rollforward() 和 rollback() 可以将时间进行移动：

In [153]: ts = pd.Timestamp("2018-01-06 00:00:00")In [154]: ts.day_name() Out[154]: 'Saturday'# BusinessHour's valid offset dates are Monday through Friday In [155]: offset = pd.offsets.BusinessHour(start="09:00")# Bring the date to the closest offset date (Monday) In [156]: offset.rollforward(ts) Out[156]: Timestamp('2018-01-08 09:00:00')# Date is brought to the closest offset date first and then the hour is added In [157]: ts + offset Out[157]: Timestamp('2018-01-08 10:00:00')

上面的操作会自动保存小时，分钟等信息，如果想要设置为 00:00:00 ， 可以调用normalize() 方法：

In [158]: ts = pd.Timestamp("2014-01-01 09:00")In [159]: day = pd.offsets.Day()In [160]: day.apply(ts) Out[160]: Timestamp('2014-01-02 09:00:00')In [161]: day.apply(ts).normalize() Out[161]: Timestamp('2014-01-02 00:00:00')In [162]: ts = pd.Timestamp("2014-01-01 22:00")In [163]: hour = pd.offsets.Hour()In [164]: hour.apply(ts) Out[164]: Timestamp('2014-01-01 23:00:00')In [165]: hour.apply(ts).normalize() Out[165]: Timestamp('2014-01-01 00:00:00')In [166]: hour.apply(pd.Timestamp("2014-01-01 23:30")).normalize() Out[166]: Timestamp('2014-01-02 00:00:00')

作为index 时间可以作为index，并且作为index的时候会有一些很方便的特性。
可以直接使用时间来获取相应的数据：

In [99]: ts["1/31/2011"] Out[99]: 0.11920871129693428In [100]: ts[datetime.datetime(2011, 12, 25):] Out[100]: 2011-12-300.56702 Freq: BM, dtype: float64In [101]: ts["10/31/2011":"12/31/2011"] Out[101]: 2011-10-310.271860 2011-11-30-0.424972 2011-12-300.567020 Freq: BM, dtype: float64

获取全年的数据：

In [102]: ts["2011"] Out[102]: 2011-01-310.119209 2011-02-28-1.044236 2011-03-31-0.861849 2011-04-29-2.104569 2011-05-31-0.494929 2011-06-301.071804 2011-07-290.721555 2011-08-31-0.706771 2011-09-30-1.039575 2011-10-310.271860 2011-11-30-0.424972 2011-12-300.567020 Freq: BM, dtype: float64

获取某个月的数据：

In [103]: ts["2011-6"] Out[103]: 2011-06-301.071804 Freq: BM, dtype: float64

DF可以接受时间作为loc的参数：

In [105]: dft Out[105]: A 2013-01-01 00:00:000.276232 2013-01-01 00:01:00 -1.087401 2013-01-01 00:02:00 -0.673690 2013-01-01 00:03:000.113648 2013-01-01 00:04:00 -1.478427 ...... 2013-03-11 10:35:00 -0.747967 2013-03-11 10:36:00 -0.034523 2013-03-11 10:37:00 -0.201754 2013-03-11 10:38:00 -1.509067 2013-03-11 10:39:00 -1.693043[100000 rows x 1 columns]In [106]: dft.loc["2013"] Out[106]: A 2013-01-01 00:00:000.276232 2013-01-01 00:01:00 -1.087401 2013-01-01 00:02:00 -0.673690 2013-01-01 00:03:000.113648 2013-01-01 00:04:00 -1.478427 ...... 2013-03-11 10:35:00 -0.747967 2013-03-11 10:36:00 -0.034523 2013-03-11 10:37:00 -0.201754 2013-03-11 10:38:00 -1.509067 2013-03-11 10:39:00 -1.693043[100000 rows x 1 columns]

时间切片：

In [107]: dft["2013-1":"2013-2"] Out[107]: A 2013-01-01 00:00:000.276232 2013-01-01 00:01:00 -1.087401 2013-01-01 00:02:00 -0.673690 2013-01-01 00:03:000.113648 2013-01-01 00:04:00 -1.478427 ...... 2013-02-28 23:55:000.850929 2013-02-28 23:56:000.976712 2013-02-28 23:57:00 -2.693884 2013-02-28 23:58:00 -1.575535 2013-02-28 23:59:00 -1.573517[84960 rows x 1 columns]

切片和完全匹配 考虑下面的一个精度为分的Series对象：

In [120]: series_minute = pd.Series( .....:[1, 2, 3], .....:pd.DatetimeIndex( .....:["2011-12-31 23:59:00", "2012-01-01 00:00:00", "2012-01-01 00:02:00"] .....:), .....: ) .....: In [121]: series_minute.index.resolution Out[121]: 'minute'

时间精度小于分的话，返回的是一个Series对象：

In [122]: series_minute["2011-12-31 23"] Out[122]: 2011-12-31 23:59:001 dtype: int64

时间精度大于分的话，返回的是一个常量：

In [123]: series_minute["2011-12-31 23:59"] Out[123]: 1In [124]: series_minute["2011-12-31 23:59:00"] Out[124]: 1

同样的，如果精度为秒的话，小于秒会返回一个对象，等于秒会返回常量值。
时间序列的操作 Shifting 使用shift方法可以让 time series 进行相应的移动：

In [275]: ts = pd.Series(range(len(rng)), index=rng)In [276]: ts = ts[:5]In [277]: ts.shift(1) Out[277]: 2012-01-01NaN 2012-01-020.0 2012-01-031.0 Freq: D, dtype: float64

通过指定 freq ， 可以设置shift的方式：

In [278]: ts.shift(5, freq="D") Out[278]: 2012-01-060 2012-01-071 2012-01-082 Freq: D, dtype: int64In [279]: ts.shift(5, freq=pd.offsets.BDay()) Out[279]: 2012-01-060 2012-01-091 2012-01-102 dtype: int64In [280]: ts.shift(5, freq="BM") Out[280]: 2012-05-310 2012-05-311 2012-05-312 dtype: int64

频率转换 时间序列可以通过调用 asfreq 的方法转换其频率：

In [281]: dr = pd.date_range("1/1/2010", periods=3, freq=3 * pd.offsets.BDay())In [282]: ts = pd.Series(np.random.randn(3), index=dr)In [283]: ts Out[283]: 2010-01-011.494522 2010-01-06-0.778425 2010-01-11-0.253355 Freq: 3B, dtype: float64In [284]: ts.asfreq(pd.offsets.BDay()) Out[284]: 2010-01-011.494522 2010-01-04NaN 2010-01-05NaN 2010-01-06-0.778425 2010-01-07NaN 2010-01-08NaN 2010-01-11-0.253355 Freq: B, dtype: float64

asfreq还可以指定修改频率过后的填充方法：

In [285]: ts.asfreq(pd.offsets.BDay(), method="pad") Out[285]: 2010-01-011.494522 2010-01-041.494522 2010-01-051.494522 2010-01-06-0.778425 2010-01-07-0.778425 2010-01-08-0.778425 2010-01-11-0.253355 Freq: B, dtype: float64

Resampling 重新取样 给定的时间序列可以通过调用resample方法来重新取样：

In [286]: rng = pd.date_range("1/1/2012", periods=100, freq="S")In [287]: ts = pd.Series(np.random.randint(0, 500, len(rng)), index=rng)In [288]: ts.resample("5Min").sum() Out[288]: 2012-01-0125103 Freq: 5T, dtype: int64

【Pandas高级教程之:时间处理】resample 可以接受各类统计方法，比如： sum, mean, std, sem, max, min, median, first, last, ohlc。

In [289]: ts.resample("5Min").mean() Out[289]: 2012-01-01251.03 Freq: 5T, dtype: float64In [290]: ts.resample("5Min").ohlc() Out[290]: openhighlowclose 2012-01-013084609205In [291]: ts.resample("5Min").max() Out[291]: 2012-01-01460 Freq: 5T, dtype: int64

本文已收录于 http://www.flydean.com/15-python-pandas-time/
最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！
欢迎关注我的公众号:「程序那些事」,懂技术，更懂你！

推荐阅读

• 

  海河观光游船今年什么时候开始 2023年海河游船什么时候开航
• 

  关于电商 电商是什么意义，跨境电商是什么意思
• 

  注意力有缺陷的孩子是什么造成的 注意力有缺陷的孩子的原因
• 

  茑萝怎么读 茑萝怎么念
• 

  什么是复称法
• 

  DNF3大“平民级称号”横向对比,春节称号仅比龙之挑战多提升5%,有必要换吗？
• 

  更年期吃什么药好效果最好 女性更年期保健
• 

  OpenCV|OpenCV 基于距离变换的高精度轮廓匹配
• 

  宝宝多大的可以坐？五个月可以学坐了吗？
• 

  春季如何预防宝宝肺炎 六种方法要掌握
• 

  风冷冰箱结冰了怎么办,找到漏水点就好解决
• 

  毒软件，毒软件啥最好
• 

  抹布油腻粘手怎么清洗 毛巾滑溜溜油腻腻怎么样清洗
• 

  毛边纸什么牌子的质量好？推荐几款性价比高的毛边纸
• 

  实事求是的名人故事 坚持实事求是
• 

  全球十大著名商标 什么是著名商标，知名商标
• 

  手枪钻怎么换钻头 你会吗
• 

  平板|台电T40 Pro平板8G+128GB仅需千元出头
• 

  黄油蟹是怎么样形成的 黄油蟹蟹
• 

  鹿犬的生活习性

• 2.6|2.6 Photoshop操作步骤的撤消和重做 [Ps教程]
• 漫画初学者如何学习漫画背景的透视画法（这篇教程请收藏好了！）
• 唐嫣可真会穿，西装搭牛仔裤都能穿出高级感，一双大长腿太抢镜
• 鹿鸣高级营养老师徐老师分享应该注意的6种食物
• Java基础-高级特性-枚举实现状态机
• HTTP高级（Cookie，Session|HTTP高级（Cookie，Session ，LocalStorage ）
• 用npm发布一个包的教程并编写一个vue的插件发布
• 程序员|【高级Java架构师系统学习】毕业一年萌新的Java大厂面经，最新整理
• 20180322【w4复盘日志】
• 狗狗定点大小便视频教程下载地址