pandas快速进阶—时间日期

最新推荐文章于 2025-10-31 21:25:00 发布
原创 最新推荐文章于 2025-10-31 21:25:00 发布 · 6k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pandas

本文介绍如何使用Python的pandas库进行时间日期处理，包括将字符串转换为时间序列、判断序列中是否存在无效时间值以及创建定制化的时间序列。通过这些实用技巧，读者可以更高效地管理和分析时间序列数据。

1.时间日期处理模块

这里写图片描述
这里写图片描述
parse模块
这里写图片描述

2.时间日期序列处理

（1）用pandas将字符串形式的日期转换成时间序列pd.to_datetime（）
这里写图片描述
（2）判断pandas时间日期序列中的值是否为NaT，pd.isnull（）
这里写图片描述
这里写图片描述
（3）pd.date_range(，periods)方法创建一组时间日期序列，pd.date_index()的开始和结束日期创建时间日期序列
这里写图片描述这里写图片描述

messi_james
关注
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
data+scenario+science+insight
11-25 4597
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 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 #闰年（leap year） #pandas判断日期是否是闰年的语法（is_leap_year） #仿真数据 #转化为日期（时间）形式 #判断pandas的日期数据列是否是闰年 #闰年（leap yea..
从0到1学Pandas（三）：Pandas 数据处理进阶
邓邓子的博客
07-22 1140
本文聚焦数据处理进阶技巧。涵盖数据分组与聚合，包括 groupby 分组、常见及自定义聚合函数应用；数据合并与连接，详解 merge、concat 操作及适用场景；数据重塑，涉及透视表、melt 转换和多层索引应用；还有时间序列处理，如创建、索引切片及频率转换。通过实用方法和示例，助力读者提升 Pandas 数据处理能力，高效应对复杂数据分析任务。
pandas第六章心得
Candylx的博客
06-23 966
首先这次学习的是pandas的缺失数据这一部分，下面来谈谈我的收获 缺失观测及其类型，知道基础的查看方法，包括head（）和tail（），会用isna和notna方法来观测缺失值，知道了对Series和DataFrame使用都会返回布尔列表，知道怎么查看缺失值的所以的行和列 还知道了三种缺失符号，分别是np.nan还有None以及NaT，其中np.nan比较特殊，首先它不等与任何东西，甚至不等于自己，在用equals函数比较时，自动略过两侧全是np.nan的单元格，因此结果不会影响，其次，它在numpy中
Pandas时间序列处理：日期操作与滚动统计
最新发布
2501_93894473的博客
10-31 231
使用。
【Pandas】常规方法使用
晴朗的心情博客
11-11 2304
文章目录count count import pandas as pd a=[['1','2','5'],['1','4','7'],['2','5','6']] b=pd.DataFrame(a,columns=['a','b','c']) print(b[b['a']=='1'].a.count())
判断一个日期是否在一个期间内pandas
tortelee的博客
07-13 5657
新方法： 用一个.loc也是可行的，连接的不是and ，是别的！！！！ 去除的方法把不符合条件的变成None值，然后就可以了。 import pandas as pd df = pd.DataFrame([1,2,3,4,5,6,3,2,1,3,4]) df.loc[ (df[0]>2) & (df[0]<5) ] =None #这里大于2小于5是我们要去除的条件...
pandas判断dataframe中一列是否为日期格式
呆萌的代Ma
05-15 4057
文章目录逻辑详解全部案例代码 逻辑详解 首先我们看常见的日期格式：2021-01-01，2021/01/01等等，因此通过以下两个规则判断： 规则一：每一个单元格的长度都相同 规则二：每一个单元格的内容，按照某个字符切分后都是等长的 判断一个series是否可以转换为datetime： def check_is_datetime(series, time_mark='-') -> bool: if series.dtype == 'object': # 1. 长度相同
Pandas 进阶
Lemon_Review的博客
09-17 8272
import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['STFangsong'] plt.rcParams['axes.unicode_minus'] = False %config InlineBackend.figure_format = 'svg' 数据分析的一般流程 提取数据（筛选） 布尔索引 query()：相当于布尔索引 dro
Pandas DataFrame进阶：添加新列的技巧与实践
[Pandas DataFrame进阶：添加新列的技巧与实践](https://www.delftstack.net/img/Python Pandas/ag feature image - Pandas DataFrame DataFrame.apply Function.png) 参考资源链接：[python中pandas.DataFrame对行...
Pandas进阶之路：解锁数据处理新姿势
邓邓子的博客
06-19 903
本文聚焦 Pandas 进阶应用，全面探索数据处理的高效技巧。从数据清洗进阶出发，深入讲解复杂缺失值处理、异常值识别与处理及数据去重的高级方法；接着阐述数据合并重塑、时间序列处理、分组聚合等核心操作的进阶策略；还涉及函数应用映射与性能优化技巧，包括向量化操作、数据类型优化、大文件分块处理等。最后结合金融、销售数据分析案例，将理论融入实战，帮助读者突破 Pandas 基础应用局限，提升数据处理能力，为数据分析工作提供有力支持。
Pandas进阶贰 pandas基础
qq_32844743的博客
12-19 551
Pandas进阶贰 pandas基础 pandas进阶系列根据datawhale远昊大佬的joyful pandas教程写一些自己的心得和补充，本文部分引用了原教程，并参考了《利用Python进行数据分析》、numpy官网、pandas官网 为了方便自己回顾和助教审阅，每一节先将原教程重要知识点罗列一下帮助自己回顾，在其后写一些自己的心得以及我的习题计算过程 本文的的函数总结中， 库函数使用 包名+函数名 命名，如pd.read_csv() 类方法用 类名简写或x + 函数名 命名，如df.to_csv()
关于pandas的日期学习
zerolord的博客
04-14 165
TimedeltaIndex 或 timedelta_range()可以生成时间差索引。 TimedeltaIndex 支持字符串型的 Timedelta、timedelta 或 np.timedelta64对象。 np.nan、pd.NaT、nat 代表缺失值。 输入：list Timedelta tdi = pd.Timedelta('15 days') tdi (train_part.loc[4,'日期'] - train_part.loc[1,'日期'])//tdi #输出为一个int型..
pandas-时间序列与日期用法（一）
qq_14815199的博客
10-31 898
依托 NumPy 的datetime64、timedelta64等数据类型，pandas 可以处理各种时间序列数据，还能调用scikits.timeseries等 Python 支持库的时间序列功能。 pandas支持以下操作： 1.解析时间格式字符串、np.datetime64、datetime.datetime等多种时间序列数据。 2.生成DatetimeIndex、TimedeltaIndex、PeriodIndex等定频日期与时间段序列。 3.处理、转换带时区的日期时...
python之日期与时间处理模块及利用pandas处理时间序列数据
逐梦er的博客
06-11 7490
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，包括金融学、经济学、生态学、神经科学、物理学等。在多个时间点观察或测量到的任何事物都可以形成一段时间序列。很多时间序列是固定频率的，也就是说，数据点是根据某种规律定期出现的（比如每15秒、每5分钟、每月出现一次）。时间序列也可以是不定期的，没有固定的时间单位或单位之间的偏移量。时间序列数据的意义取决于具体的应用场景，主
pandas 缺失值与空值处理
热门推荐
lwgkzl的博客
07-07 22万+
1.相关函数df.dropna()df.fillna()df.isnull()df.isna()2.相关概念空值：在pandas中的空值是""缺失值：在dataframe中为nan或者naT（缺失时间），在series中为none或者nan即可3.函数具体解释DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=...
pandas nat_数据处理-Pandas&Numpy大法
weixin_39997696的博客
11-20 849
知识点概括一、一维数据分析Pandas包：一维数据用Series表示，建立在Numpy的基础上，并且使用的功能更多Numpy包：一维数据用Array表示，和列表类似1. Numpy一维数据结构arrayNumpy的 array和列表(List)的区别:一维数组有统计功能（e.g.平均值等）可以向量化计算一维数组中的元素必须是同一种数据类型，列表可以是不同数据类型可以通过.min()/.max()/...
python dataframe中缺失值处理
周迪新的博客
09-08 5425
一、缺失值检测与统计 1.按列 df.isna().sum() df.isnull().sum() df.shape[0] - df.count() 2. 按行 df.isna().sum(axis=1) df.isnull().sum(axis=1) df.shape[1] - df.count(axis=1) 二、相关处理函数 df.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False) 函数作用：删除含有空值的行或列
pandas 缺失数据处理大全（附代码）
Python数据科学
01-10 3264
大家好，我是东哥。 之前一直在分享pandas的一些骚操作：pandas骚操作，根据大家反映还不错，但是很多技巧都混在了一起，没有细致的分类，这样不利于查找，也不成体系。 利用闲暇之余将有关数据清洗、数据分析的一些技能再次进行分类，里面也包含了我平时用到的一些小技巧，此次就从数据清洗缺失值处理走起，链接：pandas数据清洗，关注这个话题可第一时间看到更新。 所有数据和代码可在我的GitHub获取： https://github.com/xiaoyusmd/PythonDataScience 如有帮助，
使用python判断数组中的NaT
woshiyizhicaigou的博客
08-06 4771
我在数据预处理的时候碰到了这个难点，通过百度等方式搜索查找资料，发现关于NaT这个时间中的无效值的资料很少，想把这个类型的值转变为其他类型再判断也基本不符合语法规范，所以写下了这篇文章，肯定有很多更好的方法去查找，也希望大家来分享或批评指正。 NaT的意思为Not a time 如下图表格数据，目标用python是能判断出csny那一列为空的时间： kh csny xb djsj c68b20b4 2002-11-2 0:00 0 2013-5-11 0:0
Pandas进阶技巧：Python数据科学速查表深度解析
此外，Pandas的日期偏移量功能可以让我们对日期进行运算，从而得到我们需要的时间序列。 6. 数据可视化 虽然Pandas的核心优势在于数据处理，但它也提供了一些基础的绘图功能，通过其内置的plot方法，可以快速生成...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值