提取时间中的日期 python

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

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,mnotallow=1,day=1)
someday
datetime.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'))
2018-01-01
print(someday.strftime('%Y/%m/%d'))
2018/01/01
生成如‘2018-01-01’
someday.isoformat()
'2018-01-01'
今天
datetime.date.today()
datetime.date(2018, 2, 27)
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)
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,secnotallow=12,microsecnotallow=10)
sometime
datetime.time(12, 50, 12, 10)
时间的格式化处理
print(sometime.isoformat())
12:50:12.000010
print(sometime.strftime('%H:%M:%S'))
12:50:12
print(sometime.strftime('%H::%M::%S'))
12::50::12
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,mnotallow=1,day=1,hour=12,minute=50,secnotallow=12,microsecnotallow=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())
2018-01-01T00:00:00
print(somedatetime.strftime('%Y-%m-%d %H:%M:%S'))
2018-01-01 00:00:00
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,secnotallow=1,microsecnotallow=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())
2018-01-04 23:59:37.437627
print(datetime.datetime.now()+datetime.timedelta(days=35))
2018-02-08 23:59:37.438283
print(datetime.datetime.now()-datetime.timedelta(days=35))
2017-11-30 23:59:37.438775
print(datetime.datetime.now()-datetime.timedelta(hours=10))
2018-01-04 13:59:37.438987
print(datetime.datetime.now()-datetime.timedelta(hours=10,days=1))
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)
时间戳: 1515081476.966094
locaoltime = time.localtime(timestamp)
print('当地时间: ',locaoltime)
当地时间: time.struct_time(tm_year=2018, tm_mnotallow=1, tm_mday=4, tm_hour=23, tm_min=57, tm_sec=56, tm_wday=3, tm_yday=4, tm_isdst=0)
#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))
2018-01-04 23:57:56
三、pandas库时间处理函数
获取当前时间，并返回年月日规范格式。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
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')
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))
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',
print(tm_rng)
'2018-04-30 12:50:00'],dtype='datetime64[ns]', freq='M')
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: object
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]
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)
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: floa64
#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: float64
dft = pd.DataFrame(np.random.randn(len(tm_rng)), index=tm_rng)
print(type(dft))
print(dft)
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'])
2018-01-04 01:00:00 -0.361902
2018-01-04 06:00:00 0.902717
2018-01-04 11:00:00 -0.431569