这个版块很重要，但是每次都记不住，主要从类库分别记录

datetime类库

构造时间数据对象

• 直接构建

  datetime.date(2019,8,26)
  

• 获取今天的时间

  datetime.date.today()
  

• 取指定时间部分

  a = datetime.date.today()
  a.year # 年
  a.month # 月
  a.day # 日
  

str格式转换

将str格式转为时间，随即可以进行仅时间格式可进行的操作

• str转时间

  datetime.strptime(str,'%H:%M:%S.%f')
  datetime.strptime(str,'%Y-%m-%d')
  

• 时间转str

  datetime.strftime(str,'%H:%M:%S.%f')
  

时间间隔timedelta

• 两时间加减

  a1 = datetime.date(2019,8,26)
  a2 = datetime.date(2019,9,26)
  (a2 - a1).days # <- datetime.timedelta(31)
  (a1 - a2).days # <- 31
  

.seconds表示将此间隔转为秒为单位

• 处理间隔

  a1 = datetime.date(2019,8,26)
  delta = datetime.timedelta(days=10)
  a1 + delta # <- datetime.date(2019, 9, 5)
  (a1 + delta).isoformat() # <- '2019-09-05'
  (a1 + delta).strftime('%Y-%m-%d') # <- '2019-09-05'
  

生成等间距时间序列

pd.date_range(start=self.beginDate, end=self.endDate, freq='Q').strftime('%Y%m%d').tolist()

显然其中freq参数控制间隔为季度

pandas中的时间处理

to_datetime：str转时间戳

将某列数据，进行格式化，转换为时间格式

pd.to_datetime('20221101',format='%Y%m%d') # <- Timestamp('2022-11-01 00:00:00')
pd.to_datetime(20221101,format='%Y%m%d') # <- Timestamp('2022-11-01 00:00:00')
pd.to_datetime('2022-11-1',format='%Y-%m-%d') # <- Timestamp('2022-11-01 00:00:00')

pandas.tseries.offsets：跳转

这部分主要是基于时间戳，获取符合条件的时间，举例说明

• 转至月末

  pd.Timestamp('2017-01-01 09:10:11') + pd.tseries.offsets.MonthEnd(1)
  

• 前五年的今天

  pd.to_datetime('2022-11-1') - pd.DateOffset(years=5) # <-Timestamp('2017-11-01 00:00:00')
  

pandas.Series.dt：批量操作

对pandas.Series中的每一个时间戳对象，进行批量操作，类似于apply

AnalystConsData['writeDate_shift1D'].dt.strftime('%Y-%m-%d') # 时间戳批量转回str

Datetime format specification