Pandas: 日期时间

Q: to_datetime 格式怎么写？

ISO 格式（2024-01-15）自动识别，无需指定 format。非标准格式用 format 参数： pd.to_datetime(s, format='%d/%m/%Y') 。Python strftime 格式代码：%Y年 %m月 %d日 %H时 %M分 %S秒。指定 format 比自动检测快 5-10 倍。

Q: 频率 D 和 B 区别？

D=日历日（包含周末），B=工作日（跳过周末）。 date_range(freq='D') 每天， bdate_range() 或 freq='B' 只工作日。月频 MS=月初，M=月末。选错频率会导致 resample 结果差异很大。

Q: 时区怎么处理？

用 tz_localize 设置时区，tz_convert 转换时区： df.index.tz_localize('UTC').tz_convert('Asia/Shanghai') 。Pandas 用 pytz/dateutil 时区库。常见操作：读入 UTC 时间→转本地时区→按本地日期聚合。

最后更新：2026-08-26

时间序列分析的第一步是把字符串日期变成 Pandas 时间类型。DatetimeIndex 开启了按周/月/季度聚合的大门，dt 访问器让你像拆解字符串一样拆解日期，Timedelta 让日期运算变得简单。本节覆盖时间类型体系、解析、提取和运算。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

1. 你将学到

❶ Timestamp / DatetimeIndex
❷ pd.to_datetime 解析
❸ .dt 访问器
❹ Timedelta 运算
❺ date_range 与频率

2. Charlie 的气象站时间困境

(1) 痛点：日期是字符串，无法按月聚合

Charlie 的气象站数据里日期是字符串，无法按月统计：

PYTHON

import pandas as pd

df = pd.DataFrame({
    'date_str': ['2024-01-15', '2024-01-20', '2024-02-10', '2024-02-28', '2024-03-15'],
    'temperature': [5.2, 3.8, 8.1, 9.5, 12.3]
})
# df.groupby(df['date_str'].str[:7]) — fragile hack!

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) 解法：to_datetime + dt

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：to_datetime 解析与提取（难度⭐）

PYTHON

import pandas as pd

df = pd.DataFrame({
    'date_str': ['2024-01-15', '2024-01-20', '2024-02-10', '2024-02-28', '2024-03-15'],
    'temperature': [5.2, 3.8, 8.1, 9.5, 12.3]
})

# Convert string to datetime
df['date'] = pd.to_datetime(df['date_str'])

# Extract month for grouping
df['month'] = df['date'].dt.month

# Group by month
monthly = df.groupby('month')['temperature'].mean()
print(monthly)
# month
# 1     4.50
# 2     8.80
# 3    12.30

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

3. Pandas 时间类型体系

(1) 4 种时间类型

类型	用途	示例
Timestamp	单个时间点	`pd.Timestamp('2024-01-15')`
DatetimeIndex	时间点序列	`pd.date_range('2024-01', periods=3, freq='M')`
Timedelta	时间差	`pd.Timedelta(days=7)`
Period	时间段	`pd.Period('2024-01', freq='M')`

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：时间类型创建（难度⭐）

PYTHON

import pandas as pd

# Timestamp — single point in time
ts = pd.Timestamp('2024-01-15 10:30:00')
print(ts.year, ts.month, ts.day, ts.hour)
# 2024 1 15 10

# DatetimeIndex — sequence of timestamps
idx = pd.date_range('2024-01-01', periods=5, freq='D')
print(idx)
# DatetimeIndex(['2024-01-01', '2024-01-02', ...], dtype='datetime64[ns]')

# Timedelta — duration
delta = pd.Timedelta(days=7, hours=3)
print(delta)  # 7 days 03:00:00
print(ts + delta)  # 2024-01-22 13:30:00

# Period — time span (month/quarter/year)
p = pd.Period('2024-Q1', freq='Q')
print(p.start_time, p.end_time)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

4. pd.to_datetime

(1) 解析多种格式

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：to_datetime 多格式解析（难度⭐⭐）

PYTHON

import pandas as pd

# ISO format (auto-detected)
dates1 = pd.to_datetime(['2024-01-15', '2024-02-20', '2024-03-10'])
print(dates1)

# Mixed formats
dates2 = pd.to_datetime(['01/15/2024', 'Feb 20, 2024', '20240310'])
print(dates2)

# Specify format explicitly (faster for large data)
dates3 = pd.to_datetime(['15-01-2024', '20-02-2024'], format='%d-%m-%Y')
print(dates3)

# Handle errors
bad_dates = pd.to_datetime(
    ['2024-01-15', 'not-a-date', '2024-03-10'],
    errors='coerce'  # invalid → NaT (not errors='raise')
)
print(bad_dates)
# DatetimeIndex(['2024-01-15', 'NaT', '2024-03-10'])

# Unix timestamp
unix_ts = pd.to_datetime([1705276800, 1707974400], unit='s')
print(unix_ts)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) 常用 format 代码

代码	含义	示例
%Y	4位年	2024
%m	2位月	01
%d	2位日	15
%H	24小时	14
%M	分钟	30
%S	秒	00
%b	月名缩写	Jan
%B	月名全称	January
%a	星期缩写	Mon

5. .dt 访问器

(1) 提取时间属性

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：dt 访问器属性（难度⭐⭐）

PYTHON

import pandas as pd

df = pd.DataFrame({
    'timestamp': pd.date_range('2024-01-15 08:30:00', periods=5, freq='12h')
})

# Extract date components
df['year'] = df['timestamp'].dt.year
df['month'] = df['timestamp'].dt.month
df['day'] = df['timestamp'].dt.day
df['hour'] = df['timestamp'].dt.hour
df['day_of_week'] = df['timestamp'].dt.dayofweek  # 0=Mon, 6=Sun
df['day_name'] = df['timestamp'].dt.day_name()     # Monday, Tuesday...
df['is_weekend'] = df['timestamp'].dt.dayofweek >= 5
df['quarter'] = df['timestamp'].dt.quarter

print(df[['timestamp', 'month', 'day_name', 'is_weekend', 'quarter']])

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) dt 方法

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：dt 方法操作（难度⭐）

PYTHON

import pandas as pd

dates = pd.Series(pd.date_range('2024-01-15', periods=5, freq='2D'))

# Convert to period
print(dates.dt.to_period('M'))  # monthly periods

# Normalize to midnight (remove time component)
print(dates.dt.normalize())

# Round to nearest hour
timestamps = pd.Series(pd.date_range('2024-01-15 08:35:00', periods=3, freq='45min'))
print(timestamps.dt.round('h'))  # round to nearest hour

# Floor / Ceil
print(timestamps.dt.floor('h'))  # round down

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

6. Timedelta 运算

(1) 日期加减

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：Timedelta 运算（难度⭐⭐）

PYTHON

import pandas as pd

# Create timestamps
start = pd.Timestamp('2024-01-15')
deadline = start + pd.Timedelta(days=30)
print(f"Deadline: {deadline}")

# Difference between dates
delivery = pd.Timestamp('2024-02-10')
delay = delivery - deadline
print(f"Delay: {delay.days} days")  # -4 days (early)

# Timedelta from string
td = pd.to_timedelta('5 days 3 hours')
print(td)

# Operations on Series
df = pd.DataFrame({
    'order_date': pd.date_range('2024-01-01', periods=5),
    'delivery_days': [3, 5, 2, 7, 4]
})
df['delivery_date'] = df['order_date'] + pd.to_timedelta(df['delivery_days'], unit='D')
df['is_late'] = df['delivery_days'] > 5
print(df)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

7. date_range 与频率

(1) 生成日期序列

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：date_range 生成日期（难度⭐⭐）

PYTHON

import pandas as pd

# Fixed number of periods
print(pd.date_range('2024-01-01', periods=5, freq='D'))
# 2024-01-01 to 2024-01-05

# Start + End
print(pd.date_range('2024-01-01', '2024-01-10', freq='2D'))
# 2024-01-01, 2024-01-03, 2024-01-05, 2024-01-07, 2024-01-09

# Business days only
bdays = pd.bdate_range('2024-01-01', periods=5)  # skip weekends
print(bdays)

# Monthly frequency
months = pd.date_range('2024-01', periods=4, freq='MS')  # Month Start
print(months)

# Hourly
hours = pd.date_range('2024-01-15 09:00', periods=4, freq='h')
print(hours)

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

(2) 频率别名速查

别名	含义	示例
D	日历日	每天
B	工作日	跳过周末
W	周末	每周日
MS	月初	每月1号
M	月末	每月最后一天
QS	季初	每季第一天
Q	季末	每季最后一天
H	小时	每小时
T/min	分钟	每分钟

8. 完整示例：咖啡店时间序列分析

(5) ▶ 时间类型体系

graph LR
    A[Pandas 时间类型] --> B[Timestamp 时间点]
    A --> C[DatetimeIndex 时间序列]
    A --> D[Timedelta 时间差]
    A --> E[Period 时间段]
    B --> F[单个时刻]
    C --> G[按频率聚合]
    D --> H[日期加减运算]
    E --> I[月度/季度聚合]

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

：时间序列分析全流程（难度⭐⭐⭐）

PYTHON

import pandas as pd
import numpy as np

# ============================================
# Comprehensive example: Coffee shop time
# series analysis with datetime operations
# ============================================

# 1. Create daily sales data for 90 days
np.random.seed(42)
df = pd.DataFrame({
    'date': pd.date_range('2024-01-01', periods=90, freq='D'),
    'sales': np.random.poisson(50, 90) * 10,
    'customers': np.random.poisson(30, 90)
})
df = df.set_index('date')

# 2. Extract time features
df['month'] = df.index.month
df['day_of_week'] = df.index.dayofweek
df['day_name'] = df.index.day_name()
df['is_weekend'] = df.index.dayofweek >= 5
df['week_number'] = df.index.isocalendar().week.astype(int)

# 3. Monthly summary
monthly = df.groupby('month').agg(
    total_sales=('sales', 'sum'),
    avg_customers=('customers', 'mean'),
    days=('sales', 'count')
).round(0)
print("=== Monthly Summary ===")
print(monthly)

# 4. Weekday vs Weekend
wknd = df.groupby('is_weekend')['sales'].mean().round(0)
print(f"\n=== Weekday vs Weekend ===\n{wknd}")

# 5. Best day of week
best_day = df.groupby('day_name')['sales'].mean().sort_values(ascending=False)
print(f"\n=== Best Day ===\n{best_day.head(3)}")

# 6. Month-over-month growth
monthly_sales = df.resample('M')['sales'].sum()
mom_growth = monthly_sales.pct_change().round(3) * 100
print(f"\n=== MoM Growth % ===\n{mom_growth}")

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境（pandas 2.x）运行。Piston 服务器未预装 pandas，请在本机安装（`pip install pandas`）后实操对照。实际数值会因 pandas 版本略有差异。

❓ 常见问题

Q to_datetime 格式怎么写？

A ISO 格式（2024-01-15）自动识别，无需指定 format。非标准格式用 format 参数：pd.to_datetime(s, format='%d/%m/%Y')。Python strftime 格式代码：%Y年 %m月 %d日 %H时 %M分 %S秒。指定 format 比自动检测快 5-10 倍。

Q .dt 和 .str 类似吗？

A 类似——.str 是字符串访问器，.dt 是时间访问器。都用 .访问器.方法() 语法，都自动跳过 NaN/NaT，都支持链式调用。.str 操作字符串列，.dt 操作 datetime 列。

Q Timedelta 支持什么运算？

A Timestamp ± Timedelta = Timestamp（日期加减）。Timestamp - Timestamp = Timedelta（日期差）。Timedelta ± Timedelta = Timedelta（时间差加减）。Timedelta × int = Timedelta（时间差倍数）。不支持 Timedelta + Timedelta = Timestamp（无意义）。

Q 频率 D 和 B 区别？

A D=日历日（包含周末），B=工作日（跳过周末）。date_range(freq='D') 每天，bdate_range() 或 freq='B' 只工作日。月频 MS=月初，M=月末。选错频率会导致 resample 结果差异很大。

Q 时区怎么处理？

A 用 tz_localize 设置时区，tz_convert 转换时区：df.index.tz_localize('UTC').tz_convert('Asia/Shanghai')。Pandas 用 pytz/dateutil 时区库。常见操作：读入 UTC 时间→转本地时区→按本地日期聚合。

Q NaT 是什么？

A NaT（Not a Time）是时间类型的缺失值，等价于 NaN。pd.to_datetime(errors='coerce') 把无效日期转为 NaT。NaT 参与运算结果为 NaT（类似 NaN）。用 pd.isna() / pd.notna() 检测。

Q Period 和 Timestamp 区别？

A Timestamp 是时间点（2024-01-15 10:30:00），Period 是时间段（2024年1月）。Period 有 start_time 和 end_time。月度/季度报表用 Period，事件时间戳用 Timestamp。resample 产出 Period，rolling 需要 Timestamp。

📖 小节

Pandas 4 种时间类型：Timestamp（时间点）/ DatetimeIndex（时间序列）/ Timedelta（时间差）/ Period（时间段）
pd.to_datetime 解析字符串日期，format 参数指定格式，errors='coerce' 容错
.dt 访问器提取时间属性（year/month/day/hour/dayofweek/quarter 等）
Timedelta 支持日期加减运算，pd.to_timedelta 从字符串/数值创建
date_range 生成日期序列，频率别名 D/B/W/MS/M/QS/Q/H
DatetimeIndex 作为索引开启时间序列分析（resample/shift/rolling）
工作日用 bdate_range 或 freq='B'，时区用 tz_localize/tz_convert

📝 作业

基础题（难度⭐）：创建含日期字符串的 Series，用 to_datetime 解析，提取 month 和 dayofweek，统计每月记录数。
进阶题（难度⭐⭐）：创建 30 天日销售 DataFrame（DatetimeIndex），用 dt 提取 is_weekend，对比工作日和周末的平均销售额，计算 Timedelta 找出销售最高日距今多久。
挑战题（难度⭐⭐⭐）：模拟 90 天咖啡店销售数据，完成：to_datetime 解析→set_index→dt 提取月/季度/星期→groupby 月度汇总→计算环比增长率→找出最佳工作日。

← 上一课：字符串操作 · 下一课：时间序列进阶 →

Web-Tutorial 技术团队

由多位开发者共同维护的编程教程平台。每篇教程由对应领域的开发者编写和审核，确保内容准确可靠。如发现任何问题，欢迎向我们反馈。

关于我们

Pandas: 日期时间

1. 你将学到

2. Charlie 的气象站时间困境

(1) 痛点：日期是字符串，无法按月聚合

(2) 解法：to_datetime + dt

▶ 示例

3. Pandas 时间类型体系

(1) 4 种时间类型

▶ 示例

4. pd.to_datetime

(1) 解析多种格式

▶ 示例

(2) 常用 format 代码

5. .dt 访问器

(1) 提取时间属性

▶ 示例

(2) dt 方法

▶ 示例

6. Timedelta 运算

(1) 日期加减

▶ 示例

7. date_range 与频率

(1) 生成日期序列

▶ 示例

(2) 频率别名速查

8. 完整示例：咖啡店时间序列分析

(5) ▶ 时间类型体系

▶ 示例

❓ 常见问题

📖 小节

📝 作业

🙏 帮我们做得更好