Python可视化数据分析06、Pandas进阶
Python可视化数据分析06、Pandas进阶
📋前言📋
💝博客:【
】💝✍本文由在下【红目香薰】原创,首发于CSDN✍
🤗2022年最大愿望:【服务百万技术人次】🤗
💝Python初始环境地址:【
】💝
环境需求
环境:win10
开发工具:PyCharm Community Edition 2021.2
数据库:MySQL5.6
目录
datetime对象
时间序列数据是一种重要的结构化数据形式。
在Python语言中,datetime模块中的datetime、time和calendar等类都可以用来存储时间类型及进行一些转换和运算操作
datetime对象的常用操作如下:
datetime对象间的减法运算会得到一个timedelta对象,timedelta对象代表两个时间之间的时间差
datetime对象与它所保存的字符串格式时间戳之间可以互相转换。
时间序列
Pandas最基本的时间日期对象是一个从Series派生出来的子类TimeStamp。
Pandas最基本的时间序列类型就是以时间戳(TimeStamp)为index元素的Series类型。
时间序列只是index比较特殊的Series,因此一般的索引操作对时间序列依然有效。
date_range()
参数值 |
说明 |
Y |
年 |
M |
月 |
D |
日 |
H |
小时 |
T |
分钟 |
S |
秒 |
DatetimeIndex(['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04',
'2022-01-05', '2022-01-06', '2022-01-07', '2022-01-08',
'2022-01-09', '2022-01-10'],
dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04',
'2022-01-05', '2022-01-06', '2022-01-07', '2022-01-08',
'2022-01-09', '2022-01-10'],
dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2022-01-01', '2022-01-02', '2022-01-03', '2022-01-04',
'2022-01-05', '2022-01-06', '2022-01-07', '2022-01-08',
'2022-01-09', '2022-01-10'],
dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2022-01-31', '2022-02-28', '2022-03-31', '2022-04-30',
'2022-05-31'],
dtype='datetime64[ns]', freq='M')
DatetimeIndex(['2022-09-18', '2022-09-19', '2022-09-20', '2022-09-21',
'2022-09-22', '2022-09-23', '2022-09-24', '2022-09-25',
'2022-09-26', '2022-09-27', '2022-09-28'],
dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2022-09-18', '2022-09-19', '2022-09-20', '2022-09-21',
'2022-09-22', '2022-09-23', '2022-09-24', '2022-09-25',
'2022-09-26', '2022-09-27', '2022-09-28'],
dtype='datetime64[ns]', freq='D')
DatetimeIndex(['2022-09-18 00:00:00', '2022-09-18 03:00:00',
'2022-09-18 06:00:00', '2022-09-18 09:00:00',
'2022-09-18 12:00:00', '2022-09-18 15:00:00',
'2022-09-18 18:00:00', '2022-09-18 21:00:00',
'2022-09-19 00:00:00'],
dtype='datetime64[ns]', freq='3H')Process finished with exit code 0
- 点赞
- 收藏
- 关注作者
评论(0)