犀渠玉剑良家子，白马金羁侠少年。这篇文章主要讲述Pandas高级教程之:时间处理相关的知识，希望能为你提供帮助。
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]: NaT

In [25]: pd.Timedelta(pd.NaT)
Out[25]: NaT

In [26]: pd.Period(pd.NaT)
Out[26]: NaT

# Equality acts as np.nan would
In [27]: pd.NaT == pd.NaT
Out[27]: False

TimestampTimestamp 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\')

DatetimeIndexTimestamp 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.DatetimeIndex

In [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\')

PeriodPeriod 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.PeriodIndex

In [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\')

DateOffsetDateOffset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??	【Pandas高级教程之:时间处理】 推荐阅读 巴尔扎克的20句经典句子 巴尔扎克名言！ 快手直播打游戏软件，快手直播打游戏软件有哪些 L850清零后，你的手机还剩下什么？ 路由器怎么设置网页认证，路由器设置网页认证怎么设置 鲫鱼怎么养不活 养鲫鱼怎么养才不死 西南风是由什么方向吹向什么方向 西部假期旅行社的目标市场策略 西部假期旅行社官网 恶霸幼犬怎么看品相图解 赵奢是谁的儿子 赵括的父亲 摄影笔记（三）---日系风（52） 女性吃白萝卜皮肤好吗 阿里云高性能云盘 阿里云高性能mysql 工时计算软件,小时工记账 母猪喂养方法 王者荣耀怎样容易抽到王者水晶,为什么凌晨打王者容易输 电视机免费的影视软件 降压药|吃沙坦类降压药到底是伤肾还是护肾？本文一文说清 安卓计步传感器不灵敏,手机放置位置不同会影响传感器检测步骤 越晚越清晰 spss 显著性分析 字母,用spss做显著性差异字母 网络传输介质和交换机的原理与配置 百分点大数据技术团队（低代码平台实践） 软件测试之测试工程师如何交接项目 设计模式如何提升 vivo 营销自动化业务扩展性 | 引擎篇01 中小企业综合布网实践配置 字节跳动是如何落地微前端的 SpringCloud技术专题「Hystrix技术分析」故障切换的运作流程（含源码） 教你在“狼人杀”中实现变声效果 DCI架构是如何解决DDD战术建模缺点的（） 上一篇：百分点大数据技术团队（低代码平台实践） 下一篇：网络传输介质和交换机的原理与配置