当进行数据分析时，我们会遇到很多带有日期、时间格式的数据集，在处理这些数据集时，可能会遇到日期格式不统一的问题，此时就需要对日期时间做统一的格式化处理。比如“Friday, March 24, 2023”可以写成“24/3/23”，或者写成“03-24-2023”。
日期格式化符号
在对时间进行格式化处理时，它们都有固定的表示格式，比如小时的格式化符号为%H ,分钟简写为%M ，秒简写为%S。下表对常用的日期格式化符号做了总结：
符号 | 说明 |
|---|---|
%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 | 本地英文缩写星期名称 |
%A | 本地英文完整星期名称 |
%b | 本地缩写英文的月份名称 |
%B | 本地完整英文的月份名称 |
%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 |
%U | 一年中的星期数（00-53）星期天为星期的开始 |
%j | 年内的一天（001-366） |
%c | 本地相应的日期表示和时间表示 |
Python时间处理
在python中，我们可以通过内置的 datetime方法来处理时间，下面是我们的一组示例:
代码语言：python代码运行次数：0复制from datetime import datetime
#将日期定义为字符串
# date_str1 = 'Friday, March 24, 2023'
data_str1 = 'March 24, 2023'
date_str2 = '24/3/23'
date_str3 = '24-03-2023'
#将日期转化为datetime对象
# dmy_dt1 = datetime.strptime(date_str1, '%A,%B%d,%Y')
dmy_dt1 = datetime.strptime(data_str1, '%b%d, %Y')
dmy_dt2 = datetime.strptime(date_str2, '%d/%m/%y')
dmy_dt3 = datetime.strptime(date_str3, '%d-%m-%Y')
#处理为相同格式，并打印输出
print(dmy_dt1)
print(dmy_dt2)
print(dmy_dt3)
--------------------
输出结果如下：
2023-03-24 00:00:00
2023-03-24 00:00:00
2023-03-24 00:00:00注：strftime() 可以将 datetime 类型转换为字符串类型，恰好与 strptime() 相反。
Pandas时间处理
除了使用 Python 内置的 strptime() 方法外，你还可以使用 Pandas 模块的 pd.to_datetime() 和 pd.DatetimeIndex() 进行转换。
- to_datetime()
通过 to_datetime() 直接转换为 datetime 类型
代码语言：python代码运行次数：0复制import pandas as pd
import numpy as np
date = ['2023-03-23 12:00:00','2023-03-24 18:00:00']
pd_date=pd.to_datetime(date)
df=pd.Series(np.random.randn(2),index=pd_date)
print(df)
----------------------
输出结果如下:
2023-03-23 12:00:00 -0.859986
2023-03-24 18:00:00 -0.085590
dtype: float64- DatetimeIndex()
使用 Datetimeindex() 函数设置时间序，示例如下：
代码语言：python代码运行次数：0复制import pandas as pd
import numpy as np
date = pd.DatetimeIndex(['8/8/2008', '8/21/2016', '6/29/2007', '20/8/2009', '10/1/2020'])
dt = pd.Series(np.random.randn(5),index = date)
print(dt)
-----------------------------
输出结果如下:
2008-08-08 -1.285458
2016-08-21 0.420290
2007-06-29 -0.897028
2009-08-20 -0.357196
2020-10-01 1.653617
dtype: float64总结
本文主要介绍了pandas的时间处理的内容，后面我们将介绍使用pandas时间序列的内容。
