其他
Python中处理日期时间库的使用方法
最近在搞一个项目，遇到时间处理相关的需求。真的是实战需求导致学习需求，于是百度谷歌了一番，常用的时间处理方法和函数整理出本文。用百分之20时间，学会解决时间问题百分之80的问题。
常用的库有time、datetime。其中datetime库是对time库的封装，所以使用起来更加便捷。date是指日期时间(年月日)处理，time往往更加细小的单位（小时分秒等）的时间处理。
一、datetime库
1.1 datetime.date类
表示日期的类，常用的属性有year、month、day。参数都为整数。
import datetime
#任何一天
someday = datetime.date(year=2018,month=1,day=1)
somedaydatetime.date(2018, 1, 1)日期的标准化格式符号
%a 星期的简写。如 星期三为Web
%A 星期的全写。如 星期三为Wednesday
%b 月份的简写。如4月份为Apr
%B 月份的全写。如4月份为April
%c: 日期时间的字符串表示。（如： 04/07/10 10:43:39）
%d: 日在这个月中的天数（是这个月的第几天）
%f: 微秒（范围[0,999999]）
%H: 小时（24小时制，[0, 23]）
%I: 小时（12小时制，[0, 11]）
%j: 日在年中的天数 [001,366]（是当年的第几天）
%m: 月份（[01,12]）
%M: 分钟（[00,59]）
%p: AM或者PM
%S: 秒（范围为[00,61]，为什么不是[00, 59]
%U: 周在当年的周数当年的第几周），星期天作为周的第一天
%w: 今天在这周的天数，范围为[0, 6]，6表示星期天
%W: 周在当年的周数（是当年的第几周），星期一作为周的第一天
%x: 日期字符串（如：04/07/10）
%X: 时间字符串（如：10:43:39）
%y: 2个数字表示的年份
%Y: 4个数字表示的年份
%z: 与utc时间的间隔 （如果是本地时间，返回空字符串）
%Z: 时区名称（如果是本地时间，返回空字符串）以规定的格式返回。
print(someday.strftime('%Y-%m-%d'))
print(someday.strftime('%Y/%m/%d'))2018-01-01
2018/01/01生成如‘2018-01-01’
someday.isoformat()'2018-01-01'今天
datetime.date.today()datetime.date(2018, 1, 4)根据给定的时间戮，返回一个date对象
import time
datetime.date.fromtimestamp(time.time())datetime.date(2018, 1, 4)1.2 datetime.time类
表示时间的类，参数包括hour、minute、second、microsecond。 time类的方法同datetime类。
看看isoformat、strftime方法会返回什么
sometime = datetime.time(hour=12,minute=50,second=12,microsecond=10)
sometimedatetime.time(12, 50, 12, 10)时间的格式化处理
print(sometime.isoformat())
print(sometime.strftime('%H:%M:%S'))
print(sometime.strftime('%H::%M::%S'))12:50:12.000010
12:50:12
12::50::121.3 datetime.datetime类
日期实践类，常用的参数包含year、month、day、hour、minute、second、microsecond。但是至少要包含year、month、day三个参数。
datetime.datetime(year=2018,month=1,day=1,hour=12,minute=50,second=12,microsecond=10)datetime.datetime(2018, 1, 1, 12, 50, 12, 10)只含有年月日
datetime.datetime(2018,1,1)datetime.datetime(2018, 1, 1, 0, 0)看看isoformat、strftime方法会返回什么
somedatetime = datetime.datetime(2018,1,1)
#isoformat、strftime
print(somedatetime.isoformat())
print(somedatetime.strftime('%Y-%m-%d %H:%M:%S'))2018-01-01T00:00:00
2018-01-01 00:00:001.4 datetime.timedelta类
表示时间间隔类，给一个时间点加上此类，即可得到一个新的时间。
参数包含days、hours、minutes、seconds、microseconds。
#1天零1小时零1分零1秒又10毫秒的时间间隔
datetime.timedelta(days=1,hours=1,minutes=1,seconds=1,microseconds=10)datetime.timedelta(1, 3661, 10)35天间隔
datetime.timedelta(days=35)datetime.timedelta(35)现在+/-时间间隔操作
print(datetime.datetime.now())
print(datetime.datetime.now()+datetime.timedelta(days=35))
print(datetime.datetime.now()-datetime.timedelta(days=35))
print(datetime.datetime.now()-datetime.timedelta(hours=10))
print(datetime.datetime.now()-datetime.timedelta(hours=10,days=1))2018-01-04 23:59:37.437627
2018-02-08 23:59:37.438283
2017-11-30 23:59:37.438775
2018-01-04 13:59:37.438987
2018-01-03 13:59:37.439190二、time库
常用的方法有time、localtime
import time
timestamp = time.time()
print('时间戳: ',timestamp)
locaoltime = time.localtime(timestamp)
print('当地时间: ',locaoltime)
#转化为有格式的时间，如只显示年月日
print(time.strftime('%Y-%m-%d %H:%M:%S',locaoltime))时间戳: 1515081476.966094
当地时间: time.struct_time(tm_year=2018, tm_mon=1, tm_mday=4, tm_hour=23, tm_min=57, tm_sec=56, tm_wday=3, tm_yday=4, tm_isdst=0)
2018-01-04 23:57:56三、pandas库时间处理函数
获取当前时间，并返回出年月日规范格式。形如 2017-01-04
常用的方法有：
pd.date_range() 生成一个时间段
pd.bdate_range() 生成一个时间段，跟date_range()不同，可见下面代码
df.asfreq() 生成以一定时间间隔的序列3.1 根据始末时间生成时间段
pd.date_range(start, end, freq) 生成一个时间段
freq参数由英文(M D H Min 。。。)、英文数字结合。D表示一天，M表示一月如20D表示20天，5M表示5个月。
#生成20171011-20171030
pd.date_range('20171011', '20171030',freq='5D') DatetimeIndex(['2017-10-11', '2017-10-16', '2017-10-21', '2017-10-26'], dtype='datetime64[ns]', freq='5D')3.2 根据起始向后生成时间段
pd.date_range(日期字符串, periods=5, freq='T') 生成一个时间段
periods ：时间段长度，整数类型
freq： 时间单位。月日时分秒。M D H ...
import pandas as pd
#20171231 12:50时间点开始，生成以月为间隔，长度为5的时间段
tm_rng = pd.date_range('20171231 12:50',periods=5,freq='M')
print(type(tm_rng))
print(tm_rng)<class 'pandas.core.indexes.datetimes.DatetimeIndex'>
DatetimeIndex(['2017-12-31 12:50:00', '2018-01-31 12:50:00','2018-02-28 12:50:00', '2018-03-31 12:50:00',
'2018-04-30 12:50:00'],dtype='datetime64[ns]', freq='M')我们发现date_range()生成的是index，那么我们就可以索引为日期类型的dateframe
#生成一个Series，时间段为索引
tm_series = pd.Series(range(len(tm_rng)),index=tm_rng)
tm_series2017-12-31 12:50:00 0
2018-01-31 12:50:00 1
2018-02-28 12:50:00 2
2018-03-31 12:50:00 3
2018-04-30 12:50:00 4
Freq: M, dtype: int643.3 根据给定时间点向前（向后）生成时间段
pd.bdate_range(end,periods,freq) 根据end时间点开始,以freq为单位，向前生成周期为period的时间序列
pd.bdate_range(start,periods,freq) 根据start时间点开始,以freq为单位，向后生成周期为period的时间序列
#向前5天
print(pd.bdate_range(end='20180101',periods=5,freq='D'))DatetimeIndex(['2017-12-28', '2017-12-29', '2017-12-30', '2017-12-31','2018-01-01'],dtype='datetime64[ns]', freq='D')
#向后5天
print(pd.bdate_range(start='20180101',periods=5,freq='D'))DatetimeIndex(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04','2018-01-05'],dtype='datetime64[ns]', freq='D')改变时间间隔
对dateframe或者series对象操作，更改对象中时间的时间间隔。
dateframe.asfreq(freq='时间间隔',method='填充方式',fill_value='对Nan值进行填充')
freq格式：M D H Min 。。。与数字结合。如20D表示20天，5M表示5个月。
method：有pad、backfill两种填充方式
fill_value：缺失值更改为fill_value的值。#改变时间间隔,以20天为间隔
tm_series.asfreq('20D',method='pad')2017-12-31 12:50:00 0
2018-01-20 12:50:00 0
2018-02-09 12:50:00 1
2018-03-01 12:50:00 2
2018-03-21 12:50:00 2
2018-04-10 12:50:00 3
2018-04-30 12:50:00 4
Freq: 20D, dtype: int64#改变时间间隔,以20天为间隔
tm_series.asfreq('20D',method='backfill')2017-12-31 12:50:00 0
2018-01-20 12:50:00 1
2018-02-09 12:50:00 2
2018-03-01 12:50:00 3
2018-03-21 12:50:00 3
2018-04-10 12:50:00 4
2018-04-30 12:50:00 4
Freq: 20D, dtype: int64#改变时间间隔,以100小时为间隔
tm_series.asfreq('100H')2017-12-31 12:50:00 0.0
2018-01-04 16:50:00 NaN
2018-01-08 20:50:00 NaN
2018-01-13 00:50:00 NaN
.....
2018-04-10 12:50:00 NaN
2018-04-14 16:50:00 NaN
2018-04-18 20:50:00 NaN
2018-04-23 00:50:00 NaN
2018-04-27 04:50:00 NaN
Freq: 100H, dtype: float64#改变时间间隔,以100小时为间隔
tm_series.asfreq('100H',fill_value='缺失值')2017-12-31 12:50:00 0
2018-01-04 16:50:00 缺失值
2018-01-08 20:50:00 缺失值
2018-01-13 00:50:00 缺失值
.....
2018-04-14 16:50:00 缺失值
2018-04-18 20:50:00 缺失值
2018-04-23 00:50:00 缺失值
2018-04-27 04:50:00 缺失值
Freq: 100H, dtype: object3.4 可以统一日期格式
data = pd.Series(['May 20, 2017','2017-07-12','20170930','2017/10/11','2017 12 11'])
pd.to_datetime(data)0 2017-05-20
1 2017-07-12
2 2017-09-30
3 2017-10-11
4 2017-12-11
dtype: datetime64[ns]3.5 提取指定日期的数据
如下tm_rng是以5小时时间间隔，生成了20个数据。我们只要2018-01-02的数据。对Series或Dataframe都可以使用日期字符串操作，选取指定时间范围的数据。
import pandas as pd
import numpy as np
tm_rng = pd.date_range('2017-12-31 12:00:00',periods=20,freq='5H')
tm_series = pd.Series(np.random.randn(len(tm_rng)), index=tm_rng)
print(type(tm_series))
print(tm_series)<class 'pandas.core.series.Series'>
2017-12-31 12:00:00 0.618465
2017-12-31 17:00:00 -0.963631
2017-12-31 22:00:00 -0.782348
.....
2018-01-04 06:00:00 -0.681123
2018-01-04 11:00:00 -0.710626
Freq: 5H, dtype: float64#我们只要tm_series中是2018-01-02的数据
tm_series['2018-01-02']2018-01-02 04:00:00 0.293941
2018-01-02 09:00:00 -1.437363
2018-01-02 14:00:00 -0.527275
2018-01-02 19:00:00 1.140872
Freq: 5H, dtype: float64#我们要2018年的数据，结果全保留
tm_series['2018']2018-01-01 03:00:00 -0.363019
2018-01-01 08:00:00 0.426922
2018-01-01 13:00:00 -1.118425
2018-01-01 18:00:00 0.956300
.....
2018-01-03 20:00:00 -1.967839
2018-01-04 01:00:00 -0.654029
2018-01-04 06:00:00 -0.681123
2018-01-04 11:00:00 -0.710626
Freq: 5H, dtype: float64dft = pd.DataFrame(np.random.randn(len(tm_rng)), index=tm_rng)
print(type(dft))
print(dft)<class 'pandas.core.frame.DataFrame'>
2017-12-31 12:00:00 0.213331
2017-12-31 17:00:00 1.920131
2017-12-31 22:00:00 -1.608645
2018-01-01 03:00:00 -0.226439
2018-01-01 08:00:00 -0.558741
.....
2018-01-03 20:00:00 0.866822
2018-01-04 01:00:00 -0.361902
2018-01-04 06:00:00 0.902717
2018-01-04 11:00:00 -0.431569#对dataframe中的时间操作，只要2018-01-04日的数据
print(type(dft['2018-01-04']))
print(dft['2018-01-04'])<class 'pandas.core.frame.DataFrame'>
2018-01-04 01:00:00 -0.361902
2018-01-04 06:00:00 0.902717
2018-01-04 11:00:00 -0.431569数据采集
【视频】有了selenium，小白也可以自豪的说：“去TMD的抓包、cookie”
【视频】快来get新技能--抓包+cookie,爬微博不再是梦