之前在別的博客記過pandas處理時間量的筆記,，但是時間一長又忘了。,。,。所以決定另外寫一篇記錄下時序量的處理。

1.關于pandas的to_datetime函數的理解,。

參考：https://blog.csdn.net/qq_36523839/article/details/79746977

df = pd.read_csv('../input/train.csv',parse_dates=["purchase_date"])

等價于：

df['purchase_date'] = pd.to_datetime(df['purchase_date'])

上面就是一個to_datetime函數的典型應用,。下面說一些細節(jié)：
1.

1/17/07 has the format “%m/%d/%y”
17-1-2007 has the format “%d-%m-%Y”

2.原始時間數據是object類型的，這個object格式一般是python用來記錄可變化的兌現的格式,。這個格式它并不能認出是時間格式,，盡管我們一眼就能看出（人和機器的區(qū)別在此）。
to_datetime之后就可以用神奇的pandas.Series.dt.day或者pandas.Series.dt.month等方法獲取到真實數據了,！
3.如果原始數據有的是1/17/07有的是17-1-2007的呢,？
那么直接用上面的語句會報錯的。應用：

data['date_parsed'] = pd.to_datetime(data['Date'],infer_datetime_format=True)

另外一種改錯方式見上面鏈接,。

2.關于datetime.dt.year等類型的理解

    df['purchase_date'] = pd.to_datetime(df['purchase_date'])
    df['year'] = df['purchase_date'].dt.year
    df['weekofyear'] = df['purchase_date'].dt.weekofyear
    df['month'] = df['purchase_date'].dt.month
    df['dayofweek'] = df['purchase_date'].dt.dayofweek
    df['weekend'] = (df.purchase_date.dt.weekday >=5).astype(int)
    df['hour'] = df['purchase_date'].dt.hour

df['purchase_date'] = pd.to_datetime(df['purchase_date'])

這一句完成了數據類型從object到datetime64的變化,。之后
.dt.day等可參考官網：

http://pandas./pandas-docs/stable/generated/pandas.Series.dt.day.html#pandas-series-dt-day

3。關于時序量的做差等

train['elapsed_time'] = (datetime.date(2018, 2, 1) - train['first_active_month'].dt.date).dt.days

或者

df_hist_trans_group['new_hist_purchase_date_diff'] = 
(df_hist_trans_group['new_hist_purchase_date_max'] - 
df_hist_trans_group['new_hist_purchase_date_min']).dt.days

其實上面兩種是一樣的。

說明:

import pandas as pd
a  = pd.Series(['2017-1-2','2017-9-1'])

一切盡在不言中~~我想從上面的截圖你應該明白怎么回事了~