通过 datetime 库中的 datetime 函数,我们可以很容易地构建一个时间类型的数据:
- from datetime import datetime
- datetime(year=2015, month=7, day=4)
同时我们还可以运用 dateutil 库中的 parser 函数,来将字符串中常见的时间形式解析出来:
- from dateutil import parser
- date = parser.parse("4th of July, 2015")
- date
strftime 用于调整时间的格式,其具体用法为在输入中加上对应的时间日期格式化符号:
- date.strftime('%A')
Python中的有关时间日期格式化符号如下所示:%y 两位数的年份表示(00-99)%Y 四位数的年份表示(000-9999)%m 月份(01-12)%d 月内中的一天(0-31)%H 24小时制小时数(0-23)%I 12小时制小时数(01-12)%M 分钟数(00=59)%S 秒(00-59)%a 本地简化星期名称%A 本地完整星期名称%b 本地简化的月份名称%B 本地完整的月份名称%c 本地相应的日期表示和时间表示%j 年内的一天(001-366)%p 本地A.M.或P.M.的等价符%U 一年中的星期数(00-53)星期天为星期的开始%w 星期(0-6),星期天为星期的开始%W 一年中的星期数(00-53)星期一为星期的开始%x 本地相应的日期表示%X 本地相应的时间表示%Z 当前时区的名称%% %号本身
接下来,我们来看一下 Numpy 序列中时间类型数据的构建办法,通过调整 dtype 参数,我们可以构建一个带有时间类型数据的 Numpy 序列:
- import numpy as np
- date = np.array('2015-07-04', dtype=np.datetime64)
- date
通过与其他序列相加,我们可以对序列包含的时间范围进行扩展:
- date + np.arange(12)
这里需要说明的是,Numpy 的 datetime64 函数能够将几种既定格式的字符串转换为时间类型数据,我们也可以通过设置参数的形式来控制其精确位数:
- np.datetime64('2015-07-04')
- np.datetime64('2015-07-04 12:00')
- np.datetime64('2015-07-04 12:59:59.50', 'ns')
以上内容转自 数析学院,原文后续还有pandas库时间数据处理方法以及时间数据处理实例,有需要的同学可以直接查看原文