Python中处理日期时间库的使用方法
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python中处理日期时间库的使用方法，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含7766字，纯文字阅读大概需要12分钟。
内容图文
常用的库有time、datetime。其中datetime库是对time库的封装，所以使用起来更加便捷。date是指日期时间(年月日)处理，time往往更加细小的单位（小时分秒等）的时间处理。
一、datetime库
-
datetime.date类
表示日期的类，常用的属性有year、month、day。参数都为整数。
import datetime #任何一天 someday = datetime.date(year=2018,month=1,day=1) someday datetime.date(2018, 1, 1)
日期的标准化格式符号
%a
星期的简写。如
星期三为Web
%A
星期的全写。如
星期三为Wednesday
%b
月份的简写。如4
月份为Apr
%B
月份的全写。如4
月份为April
%c:
日期时间的字符串表示。（如： 04/07/10 10:43:39
）
%d:
日在这个月中的天数（是这个月的第几天）
%f:
微秒（范围[0,999999]
）
%H:
小时（24
小时制，[0, 23]
）
%I:
小时（12
小时制，[0, 11]
）
%j:
日在年中的天数 [001,366]
（是当年的第几天）
%m:
月份（[01,12]
）
%M:
分钟（[00,59]
）
%p: AM
或者PM
%S:
秒（范围为[00,61]
，为什么不是[00, 59]
%U:
周在当年的周数当年的第几周），星期天作为周的第一天
%w:
今天在这周的天数，范围为[0, 6]
，6
表示星期天
%W:
周在当年的周数（是当年的第几周），星期一作为周的第一天
%x:
日期字符串（如：04/07/10
）
%X:
时间字符串（如：10:43:39
）
%y: 2
个数字表示的年份
%Y: 4
个数字表示的年份
%z:
与utc
时间的间隔
（如果是本地时间，返回空字符串）
%Z:
时区名称（如果是本地时间，返回空字符串）
以规定的格式返回。
print(someday.strftime(‘%Y-%m-%d‘)) 2018-01-01 print(someday.strftime(‘%Y/%m/%d‘)) 2018/01/01
生成如‘2018-01-01’
someday.isoformat() ‘2018-01-01‘
今天
datetime.date.today() datetime.date(2018, 2, 27)
根据给定的时间戮，返回一个date对象
import time datetime.date.fromtimestamp(time.time()) datetime.date(2018, 1, 4)
-
datetime.time类
表示时间的类，参数包括hour、minute、second、microsecond。 time类的方法同datetime类。
看看isoformat、strftime方法会返回什么
sometime = datetime.time(hour=12,minute=50,second=12,microsecond=10) sometime datetime.time(12, 50, 12, 10)
时间的格式化处理
print(sometime.isoformat()) 12:50:12.000010 print(sometime.strftime(‘%H:%M:%S‘)) 12:50:12 print(sometime.strftime(‘%H::%M::%S‘)) 12::50::12
-
datetime.datetime类
日期实践类，常用的参数包含year、month、day、hour、minute、second、microsecond。但是至少要包含year、month、day三个参数。
datetime.datetime(year=2018,month=1,day=1,hour=12,minute=50,second=12,microsecond=10) datetime.datetime(2018, 1, 1, 12, 50, 12, 10)
只含有年月日
datetime.datetime(2018,1,1) datetime.datetime(2018, 1, 1, 0, 0)
看看isoformat、strftime方法会返回什么
somedatetime = datetime.datetime(2018,1,1) #isoformat、strftime print(somedatetime.isoformat()) 2018-01-01T00:00:00 print(somedatetime.strftime(‘%Y-%m-%d %H:%M:%S‘)) 2018-01-01 00:00:00
-
datetime.timedelta类
表示时间间隔类，给一个时间点加上此类，即可得到一个新的时间。参数包含days、hours、minutes、seconds、microseconds。
#1天零1小时零1分零1秒又10毫秒的时间间隔 datetime.timedelta(days=1,hours=1,minutes=1,seconds=1,microseconds=10) datetime.timedelta(1, 3661, 10)
35天间隔
datetime.timedelta(days=35) datetime.timedelta(35)
现在+/-时间间隔操作
print(datetime.datetime.now()) 2018-01-04 23:59:37.437627 print(datetime.datetime.now()+datetime.timedelta(days=35)) 2018-02-08 23:59:37.438283 print(datetime.datetime.now()-datetime.timedelta(days=35)) 2017-11-30 23:59:37.438775 print(datetime.datetime.now()-datetime.timedelta(hours=10)) 2018-01-04 13:59:37.438987 print(datetime.datetime.now()-datetime.timedelta(hours=10,days=1)) 2018-01-03 13:59:37.439190
二、time库
常用的方法有time、localtime
import time timestamp = time.time() print(‘时间戳: ‘,timestamp) 时间戳: 1515081476.966094 locaoltime = time.localtime(timestamp) print(‘当地时间: ‘,locaoltime) 当地时间: time.struct_time(tm_year=2018, tm_mon=1, tm_mday=4, tm_hour=23, tm_min=57, tm_sec=56, tm_wday=3, tm_yday=4, tm_isdst=0) #转化为有格式的时间，如只显示年月日 print(time.strftime(‘%Y-%m-%d %H:%M:%S‘,locaoltime)) 2018-01-04 23:57:56
三、pandas库时间处理函数
获取当前时间，并返回年月日规范格式。形如 2017-01-04
常用的方法有：
pd.date_range()
生成一个时间段
pd.bdate_range()
生成一个时间段，跟date_range()
不同，可见下面代码
df.asfreq()
生成以一定时间间隔的序列
-
根据始末时间生成时间段
pd.date_range(start, end, freq) 生成一个时间段
freq参数由英文(M D H Min 。。。)、英文数字结合。D表示一天，M表示一月如20D表示20天，5M表示5个月。
#生成20171011-20171030 pd.date_range(‘20171011‘, ‘20171030‘,freq=‘5D‘) DatetimeIndex([‘2017-10-11‘, ‘2017-10-16‘, ‘2017-10-21‘, ‘2017-10-26‘], dtype=‘datetime64[ns]‘, freq=‘5D‘)
-
根据起始向后生成时间段
pd.date_range(日期字符串, periods=5, freq=‘T‘) 生成一个时间段
periods ：时间段长度，整数类型
freq： 时间单位。月日时分秒。M D H ...
import pandas as pd #20171231 12:50时间点开始，生成以月为间隔，长度为5的时间段 tm_rng = pd.date_range(‘20171231 12:50‘,periods=5,freq=‘M‘) print(type(tm_rng)) DatetimeIndex([‘2017-12-31 12:50:00‘, ‘2018-01-31 12:50:00‘,‘2018-02-28 12:50:00‘, ‘2018-03-31 12:50:00‘, print(tm_rng) <class ‘pandas.core.indexes.datetimes.DatetimeIndex‘> ‘2018-04-30 12:50:00‘],dtype=‘datetime64[ns]‘, freq=‘M‘)
-
根据给定时间点向前（向后）生成时间段
pd.bdate_range(end,periods,freq) 根据end时间点开始,以freq为单位，向前生成周期为period的时间序列
pd.bdate_range(start,periods,freq) 根据start时间点开始,以freq为单位，向后生成周期为period的时间序列
#向前5天 print(pd.bdate_range(end=‘20180101‘,periods=5,freq=‘D‘)) DatetimeIndex([‘2017-12-28‘, ‘2017-12-29‘, ‘2017-12-30‘, ‘2017-12-31‘,‘2018-01-01‘],dtype=‘datetime64[ns]‘, freq=‘D‘) #向后5天 print(pd.bdate_range(start=‘20180101‘,periods=5,freq=‘D‘)) DatetimeIndex([‘2018-01-01‘, ‘2018-01-02‘, ‘2018-01-03‘, ‘2018-01-04‘,‘2018-01-05‘],dtype=‘datetime64[ns]‘, freq=‘D‘)
改变时间间隔
对dateframe
或者series
对象操作，更改对象中时间的时间间隔。
dateframe.asfreq(freq=‘时间间隔‘,method=‘填充方式‘,fill_value=‘对Nan值进行填充‘)
freq格式：M D H Min 。。。与数字结合。如20D表示20天，5M表示5个月。
method：有pad、backfill两种填充方式
fill_value：缺失值更改为fill_value的值。
#改变时间间隔,以20天为间隔 tm_series.asfreq(‘20D‘,method=‘pad‘) 2017-12-31 12:50:00 0 2018-01-20 12:50:00 0 2018-02-09 12:50:00 1 2018-03-01 12:50:00 2 2018-03-21 12:50:00 2 2018-04-10 12:50:00 3 2018-04-30 12:50:00 4 Freq: 20D, dtype: int64 #改变时间间隔,以20天为间隔 tm_series.asfreq(‘20D‘,method=‘backfill‘) 2017-12-31 12:50:00 0 2018-01-20 12:50:00 1 2018-02-09 12:50:00 2 2018-03-01 12:50:00 3 2018-03-21 12:50:00 3 2018-04-10 12:50:00 4 2018-04-30 12:50:00 4 Freq: 20D, dtype: int64 #改变时间间隔,以100小时为间隔 tm_series.asfreq(‘100H‘) 2017-12-31 12:50:00 0.0 2018-01-04 16:50:00 NaN 2018-01-08 20:50:00 NaN 2018-01-13 00:50:00 NaN ..... 2018-04-10 12:50:00 NaN 2018-04-14 16:50:00 NaN 2018-04-18 20:50:00 NaN 2018-04-23 00:50:00 NaN 2018-04-27 04:50:00 NaN Freq: 100H, dtype: float64 #改变时间间隔,以100小时为间隔 tm_series.asfreq(‘100H‘,fill_value=‘缺失值‘) 2017-12-31 12:50:00 0 2018-01-04 16:50:00 缺失值 2018-01-08 20:50:00 缺失值 2018-01-13 00:50:00 缺失值 ..... 2018-04-14 16:50:00 缺失值 2018-04-18 20:50:00 缺失值 2018-04-23 00:50:00 缺失值 2018-04-27 04:50:00 缺失值 Freq: 100H, dtype: object
-
可以统一日期格式
data = pd.Series([‘May 20, 2017‘,‘2017-07-12‘,‘20170930‘,‘2017/10/11‘,‘2017 12 11‘]) pd.to_datetime(data) 0 2017-05-20 1 2017-07-12 2 2017-09-30 3 2017-10-11 4 2017-12-11 dtype: datetime64[ns]
-
提取指定日期的数据
如下tm_rng是以5小时时间间隔，生成了20个数据。我们只要2018-01-02的数据。对Series或Dataframe都可以使用日期字符串操作，选取指定时间范围的数据。
import pandas as pd
import numpy as np
tm_rng = pd.date_range(‘2017-12-31 12:00:00‘,periods=20,freq=‘5H‘)
tm_series = pd.Series(np.random.randn(len(tm_rng)), index=tm_rng)
print(type(tm_series))
print(tm_series)
<class ‘pandas.core.series.Series‘>
2017-12-31 12:00:00 0.618465
2017-12-31 17:00:00 -0.963631
2017-12-31 22:00:00 -0.782348
.....
2018-01-04 06:00:00 -0.681123
2018-01-04 11:00:00 -0.710626
Freq: 5H, dtype: floa64
#我们只要tm_series中是2018-01-02的数据
tm_series[‘2018-01-02‘]
2018-01-02 04:00:00 0.293941
2018-01-02 09:00:00 -1.437363
2018-01-02 14:00:00 -0.527275
2018-01-02 19:00:00 1.140872
Freq: 5H, dtype: float64
#我们要2018年的数据，结果全保留
tm_series[‘2018‘]
2018-01-01 03:00:00 -0.363019
2018-01-01 08:00:00 0.426922
2018-01-01 13:00:00 -1.118425
2018-01-01 18:00:00 0.956300
.....
2018-01-03 20:00:00 -1.967839
2018-01-04 01:00:00 -0.654029
2018-01-04 06:00:00 -0.681123
2018-01-04 11:00:00 -0.710626
Freq: 5H, dtype: float64
dft = pd.DataFrame(np.random.randn(len(tm_rng)), index=tm_rng)
print(type(dft))
print(dft)
<class ‘pandas.core.frame.DataFrame‘>
2017-12-31 12:00:00 0.213331
2017-12-31 17:00:00 1.920131
2017-12-31 22:00:00 -1.608645
2018-01-01 03:00:00 -0.226439
2018-01-01 08:00:00 -0.558741
.....
2018-01-03 20:00:00 0.866822
2018-01-04 01:00:00 -0.361902
2018-01-04 06:00:00 0.902717
2018-01-04 11:00:00 -0.431569
#对dataframe中的时间操作，只要2018-01-04日的数据
print(type(dft[‘2018-01-04‘]))
print(dft[‘2018-01-04‘])
<class ‘pandas.core.frame.DataFrame‘>
2018-01-04 01:00:00 -0.361902
2018-01-04 06:00:00 0.902717
2018-01-04 11:00:00 -0.431569
原文：https://www.cnblogs.com/hookjc/p/13178827.html
内容总结
以上是互联网集市为您收集整理的Python中处理日期时间库的使用方法全部内容，希望文章能够帮你解决Python中处理日期时间库的使用方法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】