上一篇文章我们阐明了time库和datetime库中各种时间对象的处理方法，以及它们之间的转换方法。我们发现time库和datetime库确实同名，但是调用方式和它们所属的类完全不同，这也是在使用过程中出现各种混淆的原因。今天我们讨论一下Pandas库中处理时间的各种函数和方法。当然，由于Pandas中处理时间的方法和类太多，我们只讨论其中的一部分，尤其是与时间相关的。图书馆、日期时间图书馆相关和混淆的知识。(1)这个时间戳不是另一个时间戳。相信看过前文的同学对时间库中的Unix时间戳还是有印象的，但是Pandas中的Timestamp对象与Unix时间戳格式完全不同。Pandas中的Timestamp对象可以说是Pandas中时间序列对象的“细胞”。如果我们有一个datetime64[ns]Series对象如下：你会发现当你提取Series的第一个元素时，返回的是一个Timestamp对象。当然，我们也可以自己创建一个Timestamp对象：从上面的代码中，你会发现可以直接通过pd.Timestamp(）方法。反过来呢？如果想将Timestamp对象转换成unix时间戳，可以使用pd.Timestamp.timestamp()方法：(2)生成时间序列Pandas作为处理多维数组的“神器”。这篇文章当然是关于处理时间序列的方法。其中，Pandas中生成时间序列的方法有很多，最常用的方法是pd.date_range()，我们来看看如何使用：lpd.date_range(start,end,freq)生成一个时间periodnstart：开始时间，参数可以是datetime库中的datetime对象，也可以是字符串。nend：结束时间，参数可以是datetime库中的datetime对象，也可以是字符串。nfreq：时间频率，'Y'表示年，'M'表示月，'D'表示日，'H'表示小时，'Min'表示分钟注意，开始时间和结束时间参数指向的对象这里可以是一个datetime.datetime对象：当然除了datetime.datetime实例（这里注意，是用的datetime库中的类，不是pandas库中的类），这里的开始时间也可以用一个来表示细绳。以start_time为2019年7月17日为例，start_time也可以是'20190717'、'2019-07-17'、'2019/07/17'...的字符串，从上面可以看出，pd.date_range()方法生成一个长度为200、数据类型为datetime、时间频率为days的DatetimeIndex对象。也就是说，从2019年7月17日到2020年2月1日，包括起止日期，一共200天。这是因为默认频率是每天，freq='D'。您还可以更改时间频率。具体可以参考上面的使用方法添加修改freq参数。如果我们想从2019年7月17日开始，根据每天的时间频率生成一个长度为200的DataIndex对象，我们可以这样写：相应地，如果我们想在2020年2月1日结束，按照每天的时间频率,生成一个长度为200的DataIndex对象,可以这样写:(3).to_datetime()方法当然上面的方法生成了一个DatetimeIindex对象,可以通过pd.Series转换成Series对象()方法：但是对于非标准的日期字符串Series，需要使用pd.to_datetime()方法进行转换，如：(4)DateOffset类datetime库有timedelta类作为时间的增减date，而Pandas中还有一个特殊的DateOffset类作为时间间隔对象，可以直接在上面的datetimeSeries对象中使用。它的使用方法类似于datetime.timedelta类，但是需要注意的是里面的参数名都是在末尾加's'。datetimeSeries对象可以直接使用DataOffset对象进行日期加减：也可以在DatetimeIndex对象中使用：(5)时间序列日期格式化转换datetimeSeries对象的日期格式，可以使用方法Seriesinstance.dt.strftime()，格式字符串仍然可以参考datetime库中的格式字符串对照表：要转换datetimeSeries对象的日期格式，可以使用方法.dt.strftime()Series实例，它的格式字符串，还是可以参考文章开头的datetime库中的格式字符串对照表：但是注意一下，可以发现转换后的数据类型从datetime变成了对象，它是一个字符串。如果将字符串时间date_03重新转换成datetimeSeries，使用上面提到的pd.to_datetime()方法：(6)结论Pandas中时间库和datetime库以及各种对象处理时间的方法，虽然比较复杂相互关联，但实际上在使用上是有侧重点和区别的。time库和datetime库的对象一般用于编程中与时间相关的问题，比如爬虫获取不规则时间遇到的格式转换问题，会用到很多。Pandas中有很多时间相关的类，方法也很丰富，涉及到时间处理的方方面面，主要用于序列数据的处理，区别于time库和datetime库对某些日期数据的处理.就数据分析而言，在处理时间序列数据时，Pandas的使用非常多，以至于很多人几乎忘记了时间库和日期时间库的存在。一般来说，对于数据分析初学者来说，Pandas可以作为重点学习方面，但是time库和datetime库是Python标准库，时间类的基本使用是学习必不可少的。
