pandas进行时间数据的转换和计算时间差并提取年月日

最新推荐文章于 2025-06-20 17:00:40 发布

原创

最新推荐文章于 2025-06-20 17:00:40 发布 · 3.8w 阅读

47 ·

CC 4.0 BY-SA版权

文章标签：

#python #pandas #时间序列数据

这篇博客介绍了如何利用pandas的pd.to_datetime函数将自定义时间转化为日期格式，并展示了如何计算时间差。接着，博主统计了数据中各年份和月份的出现频率，并详细讲解了如何从时间数据中提取年、月、日信息。最后，通过实例展示了利用这些时间序列数据进行绘图的方法。

#pd.to_datetime函数

#读取数据
import pandas as pd
data = pd.read_csv('police.csv')

#将stop_date转化为datetime的格式的dataframe，存到stop_datetime
data['stop_datetime'] = pd.to_datetime(data.stop_date')

#自定义一个时间，计算时间差

data_new = pd.to_datetime('2006-01-01')
data['time_d'] = time_new - data.stop_datetime
data['time_d'].head()

#统计各年份和月份出现的次数

data.stop_datetime.dt.year.value_counts()
data.stop_datetime.dt.month.value_counts()

#提取年、月、日

#提取年
data['year'] = data.stop_datetime.dt.year
data['year'].head()

#提取月份
data['month'] = data.stop_datetime.dt

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

spartanfuk

关注关注

8
点赞
踩
47

收藏

觉得还不错? 一键收藏
4
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Pandas中求两个日期的间隔（天数、月数）

u014000735的博客

11-24

7092

import pandas as pd time_start = '2020-03-21' time_end = '2020-10-11' time1 = pd.to_datetime(time_start) time2 = pd.to_datetime(time_end) # Timedelta类型 delta_time = time2 - time1 # 转换为int delta_time = delta_time.days

pandas取时间

weixin_44394124的博客

10-10

715

#时间,取昨天 import datetime today = datetime.date.today() #今天日期 yes=today - datetime.timedelta(days=1) #减掉一天昨天 yes=yes.strftime('%Y/%m/%d') #日期格式

4 条评论您还未登录，请先登录后发表或查看评论

Pandas笔记10----------Pandas时间序列

热门推荐

教练我想学编程

09-19

1万+

之前有提到过日期的提取，我们采用的是以下方法： data['日期'] = pd.to_datetime(list(map(lambda x: x.date(), data.loc[:, '交易时间']))) 其实有更简单的方法是使用dt.date等方法：直接上代码了： import pandas as pd import numpy as np import time s=time.time(...

计算两个日期相差几年几个月几日

chenhepg的博客

11-17

2879

@创建于：20211117 文章目录1、背景2、代码示例2.1 代码2.1 输出结果3、结果讨论 1、背景经常遇到两个日期之间相差多个年，多少月，多少日。方式1：使用datetime datetime只能计算日期间隔了多少天，换成年，需要除以常数365.25；换成月则需要除以30.42。这样计算不太准确。方式2：使用np.timedelta64()函数方式3：使用dateutil的relativedelta dateutil则可以计算日期间隔了几年几月几日，是一种比较准确的方法。 2、代码示例 2.

python利用pandas库求数据日期的差的Excel数据

09-15

python利用pandas库求数据日期的差这篇博文使用到Excel文件数据。详情请看。https://blog.youkuaiyun.com/qq_31112205/article/details/82714099

DateTime相差年月日相差计算

04-04

因为需要计算出生了几年几月几日，所以就用C#自己写了函数计算两个DateTime相隔了年月日，。比如：2018.1.21-2011.1.22，隔了6年11月30日

pandas时间中提取年月日分钟小时和字符串替换及map等操作

brytlevson的博客

12-07

2130

""" name age tel 0 asfds 20 131***5254 1 asfds 14 131***5254 2 asfds 5 131***5254 3 asfds 86 131***5254 4 dfd 34 131***5254 5 df 45 131***5254 """

python利用pandas库求数据日期的差

SeventhBlue

09-15

4769

1、问题描述：有两个文件，一个文件是会员注册信息。包含会员注册卡号、会员的出生年月、性别（0表示女士、1表示男士）、会员入会登记时间。另一个文件是消费记录。包含会员卡号、会员消费产生的时间、商品编码、销售数量、商品售价、消费金额、商品名称、此次消费的会员积分、收银机号、单据号(相同的单据号可能不是同一笔消费产生)、柜组编码、柜组名称。现在要得到仅在16年注册的会员，到第一次消费所花的时间。数据格...

python中使用pandas提取日期信息

Reborn_inuyasha的博客

04-19

3530

提取日期操作参照→链接：https://blog.youkuaiyun.com/meiqi0538/article/details/82558000 import numpy as np import pandas as pd from pandas import Series, DataFrame from datetime import datetime data = {'stamp': ['201...

使用Pandas提取DataFrame日期数据列的年月日时分秒信息

ByteLegend的博客

09-08

1379

函数来提取DataFrame日期数据列对应的年份信息，并使用类似的方式提取月、日、时、分和秒的信息。通过上述代码，我们成功地从DataFrame的日期数据列中提取了年份、月份、日期、小时、分钟和秒的信息，并将其存储在新的列中。希望本文能够帮助你理解如何使用Pandas提取DataFrame日期数据列的年月日时分秒信息。接下来，我们将导入Pandas库并创建一个示例DataFrame，其中包含日期数据列。在Pandas中，我们可以使用。函数来提取月份、日期、小时、分钟和秒的信息。类似地，我们可以使用。

pandas提取某段时间范围数据的五种方法

weixin_45699595的博客

01-18

1万+

import pandas as pd #读取文件 df = pd.read_csv(filePath) #获取九月份数据的几种方法 #方法一使用行索引切片，['2019/9/1':'2019/9/30']，缺点是要求日期必须是连续的。为了方便查看取前5条，以下其他方法均取前5条，由于未进行排序，顺序会有差异 df.set_index('日期',inplace=True) print(df['2019/9/1':'2019/9/30'].head()) #或者print(df.loc['2.

我提取的时间包含具体的小时和分钟，如何只关心年月日？

02-24

<think>好的，用户现在的问题是，他们已经成功提取了时间跨度，但时间数据包含了具体的小时和分钟，而他们只关心年月日。需要知道如何处理这些时间数据，去掉时分部分，只保留日期。首先，我需要回想一下pandas中处理日期时间的常用方法。用户之前已经将时间列转换为datetime类型，现在需要去掉时间部分，只保留日期。可能的解决方案包括使用`dt.date`属性，或者用`dt.normalize()`方法，或者用`pd.to_datetime`转换时指定格式只保留日期部分。接下来要考虑的是这些方法之间的区别。`dt.date`会将datetime类型的列转换为Python的date对象，这可能会导致列的数据类型变为object，而不是保持datetime64[ns]。而`dt.normalize()`会将时间部分设置为午夜（00:00:00），但仍然保持datetime类型，这样可能更有利于后续的时间计算和聚合。另外，用户可能在处理数据后需要进行按日期的聚合统计，比如按天计数或者计算每天的总和，所以保持datetime类型可能更方便。例如，使用resample方法按天分组时，需要datetime类型的数据。还需要提醒用户，如果原始数据中的时间已经是正确转换的datetime类型，那么即使显示有小时分钟，只要在聚合或统计时按日期处理，可能不需要修改原始数据。比如，在计算时间跨度时，如果只需要日期部分，可以直接用min和max的结果的date部分，或者用normalize后的日期进行计算，这样可以避免时间部分的影响。可能的误区是用户可能认为必须完全去除时间部分，但其实只要在需要的时候将时间标准化到当天的开始即可，这样既保持了datetime类型，又便于后续处理。另外，需要考虑到时区的问题，如果数据有时区信息，可能需要先转换时区再进行标准化处理，但用户的问题中没有提到时区，所以可能暂时不需要处理这部分。最后，总结几种方法，推荐使用`dt.normalize()`或者`pd.to_datetime(df['时间列'].dt.date)`来保留datetime类型，同时去除时间部分，并给出示例代码，说明不同方法的区别和应用场景。</think>--- 在 pandas 中若只需保留日期（年月日）而忽略时间（小时、分钟、秒），可以通过以下方法实现： --- ### **核心方法** #### 1. **使用 `dt.normalize()` 方法** 将时间标准化到当天的 `00:00:00`，保留 `datetime` 类型，方便后续日期计算： ```python df["日期列"] = df["时间列"].dt.normalize() ``` #### 2. **提取日期部分（转为 `date` 对象）** 直接提取日期，但结果会转为 Python 的 `date` 对象（数据类型变为 `object`）： ```python df["日期列"] = df["时间列"].dt.date ``` #### 3. **转换时直接截断时间部分** 在 `pd.to_datetime()` 中指定仅解析日期部分： ```python df["日期列"] = pd.to_datetime(df["时间列"].dt.strftime("%Y-%m-%d")) ``` --- ### **示例代码** ```python import pandas as pd # 示例数据（含时间） data = { "时间列": [ "2024-12-26 22:15:46", "2024-12-27 08:30:00", "2024-12-28 15:45:30" ] } df = pd.DataFrame(data) df["时间列"] = pd.to_datetime(df["时间列"]) # 方法1：标准化到当天 00:00:00（推荐） df["日期列_方法1"] = df["时间列"].dt.normalize() # 方法2：提取日期对象（转为 object 类型） df["日期列_方法2"] = df["时间列"].dt.date # 方法3：通过字符串截断重新转换 df["日期列_方法3"] = pd.to_datetime(df["时间列"].dt.strftime("%Y-%m-%d")) print(df) ``` --- ### **输出结果** ``` 时间列日期列_方法1 日期列_方法2 日期列_方法3 0 2024-12-26 22:15:46 2024-12-26 00:00:00 2024-12-26 2024-12-26 1 2024-12-27 08:30:00 2024-12-27 00:00:00 2024-12-27 2024-12-27 2 2024-12-28 15:45:30 2024-12-28 00:00:00 2024-12-28 2024-12-28 ``` --- ### **方法对比** | 方法 | 结果类型 | 是否支持日期运算（如计算间隔） | 内存占用 | 推荐场景 | |---------------------|-------------------|-------------------------------|----------|------------------------| | `dt.normalize()` | `datetime64[ns]` | ✅ | 低 | 需保留日期计算能力 | | `dt.date` | `object` (Python date) | ❌（需转换回 datetime） | 较高 | 仅需显示日期，无需计算 | | 字符串截断重新转换 | `datetime64[ns]` | ✅ | 中等 | 灵活控制日期格式 | --- ### **扩展操作** #### 1. **按日期聚合统计** 若需按天汇总数据（如每日计数、求和等），可直接用 `normalize()` 后的列： ```python daily_counts = df.groupby("日期列_方法1").size() ``` #### 2. **计算日期差** 保留 `datetime` 类型时，可直接计算日期跨度： ```python date_span = df["日期列_方法1"].max() - df["日期列_方法1"].min() print(f"日期跨度: {date_span.days} 天") ``` #### 3. **过滤日期范围** 筛选特定日期范围内的数据： ```python start_date = pd.to_datetime("2024-12-27") end_date = pd.to_datetime("2024-12-28") filtered_df = df[df["日期列_方法1"].between(start_date, end_date)] ``` --- ### **注意事项** 1. **时区问题** 如果时间列带时区（如 `UTC+8`），需先统一时区再处理： ```python df["时间列"] = df["时间列"].dt.tz_convert("Asia/Shanghai").dt.normalize() ``` 2. **性能优化** 对大数据集优先使用 `dt.normalize()`，避免频繁转换字符串。 --- ### **总结** - **推荐方法**：使用 `dt.normalize()`，保留 `datetime` 类型以便后续计算。 - **核心代码**：`df["日期列"] = df["时间列"].dt.normalize()` - **适用场景**：统计每日数据、过滤日期范围、计算日期差等。