1，获取当前时刻的时间

2，指定日期和时间的格式

3，字符串和时间格式相互转换

4，获取某个日期之前/后或时间区间的数据

5，获取当前时间及前一天时间

6，时间运算

7，重采样

8，滑动窗口

一，获取当前时刻的时间

1，返回当前时刻的日期和时间，使用函数now

代码如下：

2，分别返回当前时刻的年，月，日

3，返回当前时刻的周数

二，指定日期和时间的格式

1，使用data()函数将日期设置成只展示日期

2，使用time()函数将日期设置成只展示时间

借助strftime()函数可以自定义日期格式和时间格式

应用如下：

三，字符串和时间格式相互转换

1，将时间格式转换为字符串

2，使用parse()函数将字符串格式转换为时间格式

3，还可以使用pd.to_datetime将其它类型转换为时间类型

df['列名']= pd.to_datetime(df['列名'])

4，小技能：提取全日期字段中的日期和时间项

data["订单生成时间"]= pd.to_datetime(data["订单生成时间"]) #转换为时间格式

data["时间"]= data["订单生成时间"].dt.hour  #提取时间

data["日期"]= data["订单生成时间"].dt.date   #提取日期

四，获取某个日期之前/后或时间区间的数据

       dataframe中的.truncate()函数可以截取某个时期之前或之后的数据，或者某个时间区间的数据，进行统计分析。注意事项：
       使用.truncate()函数对df进行数据集截取，遇到截取数据不符合预期，且若时间序列无序会抛出异常解决措施：
         在使用.truncate()函数对df进行数据集截取之前，需要先使用                df=df.sort_values(‘date’)‘date’列按时间先后进行排序，                                        然后使用df = df.set_index('date')，将“date”设置为index，最后再使用df_last=df.truncate(after=‘2019-05-22 16:00:00’)提取指定时间节点之前的数据。

函数语法：

    DataFrame.truncate(before=None, after=None, axis=None, copy=True)

参数说明：

before：取值范围：date，string，int，是指截断此索引值之前的所有行after：取值范围：date，string，int，是指截断此索引值后的所有行axis：取值范围：{0或’index’，1或’columns’}(可选)，是指轴截断。默认情况截断索引(行)。copy：取值范围：boolean，默认为True，返回截断部分的副本

常见用法：

1，获取2020年以后的数据

    print(df.truncate(before='2020').head())

2，获取2020-11月之前的数据，用after

     print(df.truncate(after='2020-11').head()

3,获取指定时间区间的数据

       df=df['2020-01-01':'2020-11-1']  #就是切片

五，获取当前时间及前一天时间

import datetime

from pandas.tseries.offsets 

import Day

#获取当前时间

now_time =datetime.datetime.now()

#变成指定格式

yes_time = (now_time -1*Day()).strftime('%Y-%m-%d') 

print(yes_time)

六，时间运算

1，两个时间之差

        在python中两个时间做差会返回一个timedelta对象，该对象中包含天数，秒，微秒三个级别，如果要获取小时，分钟，则需要进行换算。

import datetimeimport timedelta

 #修改“订单生成时间”的数据类型

df[‘订单生成日期’]=pd.to_datetime(df[‘订单生成日期’])df[‘订单生成日期’]+datetime.timedelta(days=1)  #后一天的日期df[‘订单生成日期’]-datetime.timedelta(days=3)  #前3天的日期

2，时间偏移

        之前说过timedelta只支持天，秒，和微秒单位的时间运算，如果是其他单位的时间运算，则需要换算成以上三种单位中的一种方可进行偏移

date offset可以直接实现天，小时，分钟单位的时间偏移，不需要换算，相比timedelta要方便一些

七，重采样

        重采样是pandas时间序列中的一个特色操作，在有些连续时间记录需要按某一指定周期进行聚合统计时尤为有效，实现这一功能的函数主要是resample。这里resample意为重采样，具体又包括上采样和下采样：前者也叫升采样，意为着采样后频率升高，如从2小时一个周期变为1小时一个周期；而后者也叫降采样，采样后频率降低，如从1小时变为2小时采样。仍然以前述的时间索引记录为例，首先将其按4小时为周期进行采样，此时在每个4小时周期内的所有记录汇聚为一条结果，所以自然涉及到聚合函数的问题，包括计数、求均值、累和等等。

       在完成4小时降采样的基础上，如果此时需要周期为2小时的采样结果，则就是上采样。直观来看，由于此时是将6条记录结果上升为12条记录结果，而这些数据不会凭空出现，所以如果说下采样需要聚合、上采样则需要空值填充，常用方法包括前向填充、后向填充等。这里我们结合业务实际，采取前向填充的方式，得到2小时采样结果如下：

       关于pandas时间序列的重采样，再补充两点：

1.重采样函数可以和groupby分组聚合函数组合使用，可实现更为精细的功能，

2.重采样过程中，无论是上采样还是下采样，其采样结果范围是输入记录中的最小值和最大值覆盖的范围，所以当输入序列中为两段不连续的时间序列记录时，可能会出现中间大量不需要的结果，同时在上图中也可发现从4小时上采样为2小时后时间最大范围是20:00，而非22:00，也是这个原因。

八 滑动窗口

        理解pandas中时间序列滑动窗口的最好方式是类比SQL中的窗口函数。实际上，其与分组聚合函数的联系和SQL中的窗口函数与分组聚合联系是一致的。常用的滑动窗口函数主要有3个：

• shift，向前或向后取值

• diff，向前或向后去差值

• rolling，一段滑动窗口内聚合取值

仍以前述时间序列数据为例，为了便于比较，首先再次给出数据序列

1.shift完成向前或向后滑动取值，periods参数设置滑动长度，freq设置滑动参考周期，默认为空，此时仅仅是向后读取一条记录

设置freq=10T，向后滑动10分钟后取值。

       值得指出，这里的滑动取值可以这样理解：periods参数为正数时，可以想象成索引列不动，数据列向后滑动；反之，periods参数为负数时，索引列不动，数据列向前滑动。进一步的，当freq参数为None时，则仅仅是滑动指定数目的记录，而不管索引实际取值；而当freq设置有效参数时，此时要求索引列必须为时间序列，并根据时间序列滑动到指定周期处，并从此处开始取值(在上图中，体现为10T之前的记录不再保留)。

2.在理解shift操作的基础上，diff函数用于取差值就容易得多，且比其更为简单的是diff操作只支持记录间的差值，而不支持指定周期。接受参数主要是periods：当其为正数时，表示当前值与前面的值相减的结果；反之，当其未负数时，表示当前值与后面的值相减。

以差值窗口长度=1为例，实际上此时只是简单的执行当前值与其前一个值的差，其应用shift的等价形式即为：

3.rolling，这是一个原原本本的滑动窗口，适用场景是连续求解一段时间内的某一指标。例如，求解连续3条记录的均值，则可简单实现如下：

注意到由于窗口长度设置为3，前两条记录因为"向前凑不齐"3条，所以结果为空值。当然，就这一特定需求而言，也可由shift函数实现：