100天精通Python（数据分析篇）——第61天：Pandas.to_datetime函数（处理时间）

每篇前言

• 作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6

• 本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》
• ​​此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
• 订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进千人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
• 加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！

---

一、to_datetime参数说明（代码实战）

语法格式：

Pandas.to_datetime(
    arg: DatetimeScalarOrArrayConvertible,
    errors: str = "raise",
    dayfirst: bool = False,
    yearfirst: bool = False,
    utc: bool | None = None,
    format: str | None = None,
    exact: bool = True,
    unit: str | None = None,
    infer_datetime_format: bool = False,
    origin="unix",
    cache: bool = True,
) -> DatetimeIndex | Series | DatetimeScalar | NaTType | None:

1. arg

要转换为日期时间的对象。如果提供了DataFrame，则该方法至少需要以下列：“年”、“月”、“日”。接收参数：int、float、str、datetime、list、tuple、1-d数组、Series、DataFrame/dict类

（1）接收时间戳（float）：

import pandas as pd
import numpy as np
import time

t = time.time()
print(t,type(t))
df = pd.to_datetime(t)
print(df)

运行结果：

（2）接收字符串：

import pandas as pd
import numpy as np
import time


df = pd.to_datetime('2022-10-10')
print(df)
t = time.asctime()
print(t, type(t))
df = pd.to_datetime(t)
print(df)

运行结果：

（3）datetime类型：

import pandas as pd
import numpy as np
import time
import datetime

t = datetime.datetime.now()
print(t, type(t))
df = pd.to_datetime(t)
print(df)

运行结果：

（4）接收DataFrame类型：

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'year': [2022, 2021, ],
                        'month': [11, 10],
                        'day': [11, 10]})
print(df)
df_time = pd.to_datetime(df)
print(df_time)

运行结果：

2. errors

指定errors忽略 Out of bounds nanosecond timestamp , 或将报错datetime转为NaT。接收参数：｛‘ignore’，‘raise’，‘force’｝，默认’raise’。

• 如果“raise”，则无效解析将引发异常。
• 如果为“coerce”，则无效解析将被设置为NaT。
• 如果“ignore”，则无效解析将返回输入。

（1）设置为raise：

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'year': [2022, 2021],
                   'month': [11, 10],
                   'day': [40, 40]})
print(df)
df_time = pd.to_datetime(df,errors='raise')
print(df_time)

运行结果：一个没有第40号所以报错

（2）设置为coerce：

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'year': [2022, 2021],
                   'month': [11, 10],
                   'day': [40, 40]})
print(df)
df_time = pd.to_datetime(df,errors='coerce')
print(df_time)

运行结果：

（3）设置为ignore：

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'year': [2022, 2021],
                   'month': [11, 10],
                   'day': [40, 40]})
print(df)
df_time = pd.to_datetime(df,errors='ignore')
print(df_time)

运行结果：

3. dayfirst

如果arg是str或类似列表，请指定日期解析顺序。如果为True，则以第一天为单位解析日期，例如“10/11/12”解析为2012-11-10。接收bool类型，默认为false。dayfirst=True不严格，但更喜欢使用dayfirst进行解析。如果无法根据给定的dayfirst选项解析带分隔符的日期字符串，例如to_datetime（[31-12-2021]），则会显示警告。

传31天进去：

import pandas as pd
import numpy as np
import time
import datetime

df_time = pd.to_datetime('31/11/12', dayfirst=False)
print(df_time)

运行结果：

4. yearfirst

• 如果arg是str或类似列表，请指定日期解析顺序。
• 如果True以年份开头解析日期，例如“10/11/12”解析为2010-11-12。
• 如果dayfirst和yearfirst都为True，则yearfirsts前面是（与dateutil相同）。
• 警告：yearfirst=True不严格，但更喜欢使用yearfirst进行解析。

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'day': ['22/10/24', '21/11/11']})
print(df)
df_time = pd.to_datetime(df['day'], yearfirst=True)
print(df_time)

运行结果：

5. utc

控制时区相关的解析、本地化和转换。接收bool布尔类型，默认为None

• 如果为True，则该函数始终返回一个识别时区的UTC本地化时间戳、序列或日期时间索引。为此，时区原始输入本地化为UTC，而时区感知输入转换为UTC。
• 如果为False（默认），输入将不会强制为UTC。时区原始输入将保持原始，而时区感知输入将保持其时间偏移。混合偏移（通常为夏令时）存在限制，有关详细信息，请参见示例部分。

6. format

解析时间的strftime，例如“%d/%m/%Y”。请注意，“%f”将一直解析到纳秒。接收字符串类型。

格式化字符串	日期/时间说明	值范围和实例
%Y	年份	0000~9999，例如：2022
%m	月份	01~12，例如：3
%B	月份名称	January~December，例如：April
%b	月份名称缩写	Jan~Dec，例如：Apr
%d	日期	01~31，例如：20
%A	星期	Monday~Sunday，例如：Wednesday
%a	星期缩写	Mon~Sun，例如：Wed
%H	小时（24h制）	00~23，例如：12
%I	小时（12h制）	01~12，例如：7
%p	上\下午	AM\PM，例如：PM
%M	分钟	00~59，例如：10
%S	秒	00~59，例如：20
%w	星期几（具体）	1~7，例如：7
%W	整年的第几周	1-52，例如：2

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'year': [2022, 2021, ],
                   'month': [11, 10],
                   'day': [11, 10]})
print(df)
df_time = pd.to_datetime(df, format='%Y-%m-%d')
print(df_time)

运行结果：

7. exact

控制格式的使用方式，接收bool布尔类型，默认为True：

• 如果为True，则需要精确的格式匹配。
• 如果为False，则允许格式与目标字符串中的任何位置匹配。

8. unit

接收字符串，默认为“ns”。arg的单位（D，s，ms，us，ns）表示单位，即整数或浮点数。这将基于原点。例如，使用unit='ms’和origin=‘unix’，这将计算到unix历元开始的毫秒数。注意：要求arg参数传递时间戳，不然会报错。

（1）传递其他时间格式：

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'day': ['22/10/24', '21/11/11']})
print(df)
df_time = pd.to_datetime(df , yearfirst=True)
print(df_time)

运行结果：

（2）传递时间戳：

import pandas as pd
import numpy as np
import time
import datetime

df_time = pd.to_datetime(time.time(), unit='ms')
print(df_time)

运行结果：

9. infer_datetime_format

如果为True且未给出格式，请尝试根据第一个非NaN元素推断日期时间字符串的格式，如果可以推断，请切换到更快的方法来解析它们。在某些情况下，这可以将解析速度提高5-10倍。当数据量大的时候用这个参数可以提高解析速度！

10. origin

定义参考日期。数值将被解析为自该参考日期以来的单位数（按单位定义）。标量，默认为“unix”

• 如果为：“unix”（或POSIX）时间；原点设置为1970-01-01。
• 如果为：“julian”，单位必须为“D”，原点设置为朱利安日历的开始。儒略日0被指定为公元前4713年1月1日中午开始的一天。
• 如果“时间戳”可转换，则“原点”设置为“由原点标识的时间戳”。

（1）指定时间：

import pandas as pd
import numpy as np
import time
import datetime

df_time = pd.to_datetime([1, 2, 3], unit='D', origin='2022-01-01')
print(df_time)

运行结果：

（2）不指定时间：不指定时间则默认从19700101开始

import pandas as pd
import numpy as np
import time
import datetime

df_time = pd.to_datetime([1, 2, 3], unit='D')
print(df_time)

运行结果：

11. cache

如果为True，请使用唯一的已转换日期缓存来应用日期时间转换。在解析重复的日期字符串时，尤其是带有时区偏移量的字符串时，可能会产生显著的加速。缓存仅在至少有50个值时使用。存在越界值将导致缓存无法使用，并可能会降低解析速度。接收bool类型参数，默认为True。在版本0.25.0中更改：将默认值从False更改为True。

二、返回值

1. datetime

如果解析成功。返回类型取决于输入（括号中的类型对应于时区或时间戳解析不成功时的回退）：

• 标量：时间戳（或datetime.datetime）
• 数组：DatetimeIndex（或对象dtype包含datetime.datetime的序列）
• Series：datetime64数据类型系列（或包含datetime.datetime的对象数据类型系列）
• DataFrame：datetime64数据类型系列（或包含datetime.datetime的对象数据类型系列）

（1）arg传递标量：

import pandas as pd
import time
import datetime

df_time = pd.to_datetime(time.time())
print(df_time)
print(type(df_time))

运行结果：

（2）arg传递数组返回DatetimeIndex

import pandas as pd
import numpy as np
import time
import datetime


df_time = pd.to_datetime(['2017-08-01', '2018-08-02', '2018-08-03', '2018-08-04','2018-08-05'])
print(df_time)
print(type(df_time))

运行结果：

（3）arg传递Series返回datetime64数据类型系列：

import pandas as pd
import time
import datetime

ser_obj = pd.Series(['2017-08-01', '2018-08-02', '2018-08-03', '2018-08-04','2018-08-05'])
df_time = pd.to_datetime(ser_obj)
print(df_time)
print(type(df_time))

运行结果：
（4）argDataFrame：

import pandas as pd
import numpy as np
import time
import datetime

df = pd.DataFrame({'year': [2022, 2021, ],
                        'month': [11, 10],
                        'day': [11, 10]})
print(df)
df_time = pd.to_datetime(df)
print(df_time)

运行结果：

三、报错

1. ParserError

报错信息：When parsing a date from string fails.

报错翻译：从字符串解析日期失败时。

2. ValueError

发生另一个日期时间转换错误时。例如，当DataFrame中缺少“year”、“month”、“day”列中的一列时，或者当Timezone感知日期时间时。datetime是在类似于混合时间偏移的数组中找到的，并且utc＝False。

四、书籍推荐

书籍展示：《Web安全攻防从入门到精通》

---

【书籍内容简介】

• 全书共21章，第1章到第6章讲解入门知识，包括HTTP基本概念、工具实战、信息收集、靶场搭建等内容；第7章到第20章讲解Web渗透测试的14个典型漏洞案例，包括SQL注入、XSS漏洞、CSRF漏洞、SSRF漏洞、任意文件上传、业务逻辑漏洞等内容；第21章是项目实战，主要模拟真实Web安全评估项目。
  

• 京东自营：http://product.dangdang.com/29460729.html