This tutorial is from open-source community. Access the source code
💡 本教程由 AI 辅助翻译自英文原版。如需查看原文，您可以 切换至英文原版
本实验将指导你使用pandas库在Python中处理时间增量的过程。时间增量表示持续时间或时间差。我们将探索构建、操作和处理时间增量的不同方法。
虚拟机启动完成后，点击左上角切换到“笔记本”标签，以访问Jupyter Notebook进行练习。
有时，你可能需要等待几秒钟让Jupyter Notebook完成加载。由于Jupyter Notebook的限制，操作的验证无法自动化。
如果你在学习过程中遇到问题，请随时向Labby提问。课程结束后提供反馈，我们将立即为你解决问题。
首先，我们需要导入必要的库。在这种情况下，我们将使用pandas和numpy。
## 导入所需库
import pandas as pd
import numpy as np
import datetime让我们创建一个时间增量对象，它表示一个持续时间或时间差。
## 创建一个时间增量对象
pd.Timedelta("1 days 2 hours")你可以将标量、数组、列表或序列从公认的时间增量格式转换为时间增量类型。
## 将字符串转换为时间增量
pd.to_timedelta("1 days 06:05:01.00003")你可以对时间增量执行数学运算。
## 减去两个时间增量
s = pd.Series(pd.date_range("2012-1-1", periods=3, freq="D"))
s - s.max()你可以直接访问时间增量的各个组件。
## 访问时间增量的days属性
tds = pd.Timedelta("31 days 5 min 3 sec")
tds.days你可以将一个时间增量转换为ISO 8601持续时间字符串。
## 将一个时间增量转换为ISO 8601持续时间字符串
pd.Timedelta(days=6, minutes=50, seconds=3, milliseconds=10, microseconds=10, nanoseconds=12).isoformat()你可以生成一个包含时间增量的索引。
## 生成一个时间增量索引
pd.TimedeltaIndex(["1 days", "1 days, 00:00:05", np.timedelta64(2, "D"), datetime.timedelta(days=2, seconds=2)])你可以将时间增量索引用作pandas对象的索引。
## 将时间增量索引用作pandas序列的索引
s = pd.Series(np.arange(100), index=pd.timedelta_range("1 days", periods=100, freq="h"))你可以使用时间增量索引执行操作。
## 将时间增量索引添加到日期时间索引
tdi = pd.TimedeltaIndex(["1 days", pd.NaT, "2 days"])
dti = pd.date_range("20130101", periods=3)
(dti + tdi).to_list()你可以使用时间增量索引对数据进行重采样。
## 使用时间增量索引对数据进行重采样
s.resample("D").mean()在本实验中，我们学习了如何使用pandas库在Python中处理时间增量。我们涵盖了如何构建时间增量、转换为时间增量、执行操作、访问属性、转换为ISO 8601持续时间、创建时间增量索引、使用时间增量索引、使用时间增量索引执行操作以及对时间增量索引进行重采样。掌握这些技能后，你可以在未来的数据分析任务中高效地处理和操作基于时间的数据。
