<_datetime（）时间处理函数
<_datetime()
因为不了解该段代码意思：
# 不过要注意，数据⾥有时间出错的格式，所以我们需要 errors='coerce'
data['used_time'] = (pd.to_datetime(data['creatDate'], format='%Y%m%d', errors='coerce') -
<_datetime(data['regDate'], format='%Y%m%d', errors='coerce')).dt.days
<_datetime将参数转换为⽇期时间
<_datetime(arg: DatetimeScalar, errors: str = '...', dayfirst: bool = '...', yearfirst: bool = '...', utc: Optional[bool] = '...', format: Optional[str] = '...', exact: bool = '...', unit: Optional[str] = '...', infer_datetime_format: bool = '...', _datetime(arg: ‘Series’, errors: str = '...', dayfirst: bool = '...', yearfirst: bool = '...', utc: Optional[bool] = '...', format: Optional[str] = '...', exact: bool = '...', unit: Optional[str] = '...', infer_datetime_format: bool = '...', origin='...', cache: bool = _datetime(arg: Union[List, Tuple], errors: str = '...', dayfirst: bool = '...', yearfirst: bool = '...', utc: Optional[bool] = '...', form
at: Optional[str] = '...', exact: bool = '...', unit: Optional[str] = '...', infer_datetime_format: bool = '...', origin=
格式如下：
#输⼊下⾯，即可知道参数
import pandas as pd
<_datetime
#参数如下
<_datetime(arg, errors='raise', dayfirst=False, yearfirst=False, utc=None, box=True, format=None, exact=True, unit=None, infer_datetime_format=False, origin='unix', cache=True)
参数：
（1）arg：int，float，str，datetime，list，tuple，1-d数组，Series，DataFrame / dict-like，要转换为⽇期时间的对象
（2）errors：{'ignore'，'raise'，'coerce'}，默认为'raise'
如果为“ raise”，则⽆效的解析将引发异常
如果为“coerce”，则将⽆效解析设置为NaT
如果为“ ignore”，则⽆效的解析将返回输⼊
（3）dayfirst：bool，默认为False，
如果arg是str或类似列表，则指定⽇期解析顺序。
如果为True，则⾸先解析⽇期，例如12/10/11解析为2011-10-12。
警告：dayfirst = True并不严格，但更喜欢使⽤day first进⾏解析（这是⼀个已知的错误，基于dateutil的⾏为）
（4）yearfirst：布尔值，默认为False，
如果arg是str或类似列表，则指定⽇期解析顺序。
如果True解析⽇期以年份为第⼀，则将10/11/12解析为2010-11-12。
如果dayfirst和yearfirst均为True，则在yearfirst之后（与dateutil相同）。
警告：yearfirst = True并不严格，但更喜欢使⽤year first进⾏解析（这是⼀个已知的错误，基于dateutil的⾏为）。
#如果是dayfirst，则⽇⽉年，如果yearfirst = True，则年⽉⽇，默认的是⽉⽇年
<_datetime('10/11/12',dayfirst = True)  #Timestamp('2012-11-10 00:00:00')
<_datetime('12/10/11',dayfirst = True) # Timestamp('2011-10-12 00:00:00')
<_datetime('10/11/12',yearfirst = True)  # Timestamp('2010-11-12 00:00:00')
<_datetime('10/11/12')  #Timestamp('2012-10-11 00:00:00')
（5）utc： bool，默认值 None，如果为True，则返回UTC DatetimeIndex（也转换任何⽀持tz的datetime.datetime对象）
（6）format：str，格式，default None，解析时间的strftime，例如“％d /％m /％Y”，请注意，“％f”将⼀直解析直⾄纳秒。有关选择的更多信息，请参见strftime⽂档： : 。
（7）exact：精度，bool：True by default，表现为：如果为True，则需要精确的格式匹配。如果为False，则允许格式匹配⽬标字符串中的任何位置。
（8）unit： str，单位，default ‘ns’，arg的单位（D，s，ms，us，ns）表⽰单位，它是整数或浮点数。这将基于原点。例如，在unit ='ms'和origin ='unix'（默认值）的情况下，这将计算到unix纪元开始的毫秒数
（9）infer_datetime_format：bool，默认为False，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，如果可以推断出⽇期时间字符串的格式，请切换到解析它们的更快⽅法。在某些情况下，这可以
使解析速度提⾼约5-10倍。
（10）origin：标量, default ‘unix’，
定义参考⽇期。⾃该参考⽇期以来，数值将被解析为单位数（由unit定义）。
如果是“ unix”（或POSIX）时间；原点设置为1970-01-01。
如果为'julian'，则单位必须为'D'，并且原点设置为Julian Calendar的开头。朱利安天数0被指定为从4713年1⽉1⽇中午开始的那⼀天。
如果时间戳可转换，则将原点设置为由原点标识的时间戳。
（11）cache：布尔值，默认为True
如果为True，则使⽤唯⼀的转换⽇期缓存来应⽤datetime转换。解析重复的⽇期字符串时，尤其是带有时区偏移的⽇期字符串时，可能会⼤⼤提⾼速度。仅当⾄少有50个值时才使⽤缓存。越界值的存在将使⾼速缓存不可⽤，并可能减慢
解析速度
0.23.0版中的新功能。在0.25.0版中进⾏了更改： -将默认值从False更改为True。
返回值：
datetime
如果解析成功。返回类型取决于输⼊:
list-like: DatetimeIndex
Series: Series of datetime64 dtype
scalar: Timestamp
如果⽆法返回指定的类型（例如，当输⼊的任何元素在Timestamp.min之前或Timestamp.max之后），则返回将具有datetime.datetime类型（或对应的数组/系列）。
例⼦：
从DataFrame的多个列中组合⼀个⽇期时间。键可以是常见的缩写，例如['year'，'month'，'day'，'minute'，'second'，'ms'，'us'，'ns']）或相同的复数形式
import pandas as pd
<_datetime
df = pd.DataFrame({'year': [2015, 2016],
'month': [2, 3],
'day': [4, 5]})
df
'''
year  month  day
0  2015      2    4
1  2016      3    5
'''
<_datetime(df)
'''
0  2015-02-04
1  2016-03-05
dtype: datetime64[ns]
'''
日期字符串是什么如果⽇期不符合时间戳限制，则传递errors ='ignore'将返回原始输⼊，⽽不引发任何异常。
如果将error ='coerce'传递给NaT，则除了将⾮⽇期（或不可解析的⽇期）强制为NaT外，还将对NaT强制执⾏越界⽇期。pd.to_datetime('13000101', format='%Y%m%d', errors='ignore')
#datetime.datetime(1300, 1, 1, 0, 0)
<_datetime('13000101', format='%Y%m%d', errors='coerce')
#NaT
传递infer_datetime_format = True通常可以加快解析速度，如果解析不是完全采⽤ISO8601格式，⽽是采⽤常规格式。
s = pd.Series(['3/11/2000', '3/12/2000', '3/13/2000'] * 1000)
s.head(1)
#0    3/11/2000
#dtype: object
%_datetime(s, infer_datetime_format=True)
#1.53 ms ± 139 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
%_datetime(s, infer_datetime_format=False)
#1.51 ms ± 21.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
使⽤Unix纪元时间
<_datetime(1490195805, unit='s')
#Timestamp('2017-03-22 15:16:45')
<_datetime(1490195805433502912, unit='ns')
#Timestamp('2017-03-22 15:16:45.433502912')
使⽤⾮unix纪元原点
<_datetime([1, 2, 3], unit='D',
origin=pd.Timestamp('1960-01-01'))
# DatetimeIndex(['1960-01-02', '1960-01-03', '1960-01-04'], dtype='datetime64[ns]', freq=None)

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。