使用 NumPy 执行日期和时间计算

原文：www.kdnuggets.com/using-numpy-to-perform-date-and-time-calculations

作者图片 | Canva

日期和时间是无数数据分析任务的核心，从追踪金融交易到实时监测传感器数据。然而，处理日期和时间的计算常常让人感觉像是在迷宫中探索。

我们的前三大课程推荐

1. Google 网络安全证书 - 快速进入网络安全职业生涯。

幸运的是，有了 NumPy，我们很幸运。NumPy 强大的日期和时间功能让这些任务变得轻松，提供了一系列简化过程的方法。

例如，NumPy 允许你轻松创建日期数组，对日期和时间执行算术运算，并且只需几行代码即可在不同的时间单位之间转换。你需要找出两个日期之间的差异吗？NumPy 可以轻松做到。你想将你的时间序列数据重新采样到不同的频率吗？NumPy 能满足你的需求。这种便利和强大使得 NumPy 成为处理日期和时间计算的宝贵工具，将曾经复杂的挑战转变为简单的任务。

本文将指导你使用 NumPy 执行日期和时间计算。我们将介绍datetime是什么以及如何表示，日期和时间通常用于何处，使用它时的常见困难和问题，以及最佳实践。

什么是 DateTime

DateTime 指的是以统一格式表示日期和时间。这包括特定的日历日期和时间，通常精确到秒的分数。这种组合对于准确记录和管理时间数据，如日志中的时间戳、事件调度和进行基于时间的分析，非常重要。

在一般编程和数据分析中，DateTime 通常由专门的数据类型或对象表示，这些对象提供了一种结构化的方式来处理日期和时间。这些对象允许对日期和时间进行轻松的操作、比较和算术运算。

NumPy 和其他库如 pandas 提供了对DateTime操作的强大支持，使得处理各种格式的时间数据以及执行复杂的计算变得轻松而精准。

在 NumPy 中，日期和时间的处理主要围绕 datetime64 数据类型及其相关函数。你可能会想知道为什么这个数据类型叫做 datetime64。这是因为 datetime 已经被 Python 标准库使用了。

以下是它的工作原理：

datetime64 数据类型

表示：NumPy 的 datetime64 数据类型将日期和时间表示为 64 位整数，提供高效的时间数据存储和操作。
格式：datetime64 格式中的日期和时间由一个字符串指定，指示所需的精度，例如，YYYY-MM-DD 表示日期或 YYYY-MM-DD HH:mm:ss 表示到秒的时间戳。

例如：

import numpy as np

# Creating a datetime64 array
dates = np.array(['2024-07-15', '2024-07-16', '2024-07-17'], dtype='datetime64')

# Performing arithmetic operations
next_day = dates + np.timedelta64(1, 'D')

print("Original Dates:", dates)
print("Next Day:", next_day)

`datetime64`在 NumPy 中的特点

NumPy 的 datetime64 提供了强大的功能来简化多种操作。从灵活的分辨率处理到强大的算术能力，datetime64 使得处理时间数据变得简单高效。

分辨率灵活性：datetime64 支持从纳秒到年的各种分辨率。例如，ns（纳秒），us（微秒），ms（毫秒），s（秒），m（分钟），h（小时），D（天），W（周），M（月），Y（年）。

np.datetime64('2024-07-15T12:00', 'm')  # Minute resolution
np.datetime64('2024-07-15', 'D')        # Day resolution

算术操作：对 datetime64 对象执行直接的算术运算，例如，添加或减去时间单位，比如为日期添加天数。

date = np.datetime64('2024-07-15')
next_week = date + np.timedelta64(7, 'D')

索引和切片：在 datetime64 数组上使用标准的 NumPy 索引和切片技术。例如，提取日期范围。

dates = np.array(['2024-07-15', '2024-07-16', '2024-07-17'], dtype='datetime64')
subset = dates[1:3]

比较操作：比较 datetime64 对象以确定时间顺序。例如：检查一个日期是否在另一个日期之前。

date1 = np.datetime64('2024-07-15')
date2 = np.datetime64('2024-07-16')
is_before = date1 < date2  # True

转换函数：在 datetime64 和其他日期/时间表示形式之间进行转换。例如：将 datetime64 对象转换为字符串。

date = np.datetime64('2024-07-15')
date_str = date.astype('str')

你倾向于在哪里使用日期和时间？

日期和时间可以在多个领域中使用，例如金融领域，用于跟踪股票价格、分析市场趋势、评估财务表现、计算回报、评估波动性以及识别时间序列数据中的模式。

你还可以在其他领域使用日期和时间，例如在医疗保健领域，管理带有时间戳的患者记录，用于医疗历史、治疗和药物计划。

场景：分析电子商务销售数据

想象一下你是一名在电子商务公司工作的数据分析师。你有一个包含带有时间戳的销售交易的数据集，你需要分析过去一年的销售模式。以下是你如何利用 NumPy 中的 datetime64：

# Loading and Converting Data
import numpy as np
import matplotlib.pyplot as plt

# Sample data: timestamps of sales transactions
sales_data = np.array(['2023-07-01T12:34:56', '2023-07-02T15:45:30', '2023-07-03T09:12:10'], dtype='datetime64')

# Extracting Specific Time Periods
# Extracting sales data for July 2023
july_sales = sales_data[(sales_data >= np.datetime64('2023-07-01')) & (sales_data < np.datetime64('2023-08-01'))]

# Calculating Daily Sales Counts
# Converting timestamps to dates
sales_dates = july_sales.astype('datetime64[D]')

# Counting sales per day
unique_dates, sales_counts = np.unique(sales_dates, return_counts=True)

# Analyzing Sales Trends
plt.plot(unique_dates, sales_counts, marker='o')
plt.xlabel('Date')
plt.ylabel('Number of Sales')
plt.title('Daily Sales Counts for July 2023')
plt.xticks(rotation=45)  # Rotates x-axis labels for better readability
plt.tight_layout()  # Adjusts layout to prevent clipping of labels
plt.show()

在这种情况下，datetime64 允许你轻松操作和分析销售数据，提供对每日销售模式的洞察。

使用日期和时间时的常见困难

尽管 NumPy 的 datetime64 是处理日期和时间的强大工具，但它也有其挑战。从解析各种日期格式到管理时区，开发人员通常会遇到几个可能复杂化数据分析任务的障碍。本节突出了这些典型问题的一些例子。

解析和转换格式：处理各种日期和时间格式可能很具挑战性，特别是当处理来自多个来源的数据时。
时区处理：NumPy 的 datetime64 本身不支持时区。
分辨率不匹配：数据集的不同部分可能具有不同分辨率的时间戳（例如，有些以天为单位，有些以秒为单位）。

如何进行日期和时间计算

让我们探讨 NumPy 中日期和时间计算的示例，从基本操作到更高级的场景，以帮助你充分利用 datetime64 来满足数据分析需求。

向日期添加天数

这里的目标是演示如何将特定天数（在此情况下为5天）添加到给定日期（2024-07-15）

import numpy as np

# Define a date
start_date = np.datetime64('2024-07-15')

# Add 5 days to the date
end_date = start_date + np.timedelta64(5, 'D')

print("Start Date:", start_date)
print("End Date after adding 5 days:", end_date)

输出：

开始日期：2024-07-15

添加 5 天后的结束日期：2024-07-20

解释：

我们使用 np.datetime64 定义 start_date。
使用 np.timedelta64，我们将5天（5，D）添加到 start_date 以获得 end_date。
最后，我们打印 start_date 和 end_date 以观察加法的结果。

计算两个日期之间的时间差

计算两个特定日期（2024-07-15T12:00 和 2024-07-17T10:30）之间的时间差（小时）

import numpy as np

# Define two dates
date1 = np.datetime64('2024-07-15T12:00')
date2 = np.datetime64('2024-07-17T10:30')

# Calculate the time difference in hours
time_diff = (date2 - date1) / np.timedelta64(1, 'h')

print("Date 1:", date1)
print("Date 2:", date2)
print("Time difference in hours:", time_diff)

输出：

日期 1：2024-07-15T12:00

日期 2：2024-07-17T10:30

时间差（小时）：46.5

解释：

使用 np.datetime64 定义 date1 和 date2，并指定特定的时间戳。
通过从 date1 中减去 date2 并除以 np.timedelta64(1, 'h') 来计算 time_diff，将差值转换为小时。
打印原始日期和计算出的时间差（小时）。

处理时区和工作日

计算两个日期之间的工作日数，排除周末和假期。

import numpy as np
import pandas as pd

# Define two dates
start_date = np.datetime64('2024-07-01')
end_date = np.datetime64('2024-07-15')

# Convert to pandas Timestamp for more complex calculations
start_date_ts = pd.Timestamp(start_date)
end_date_ts = pd.Timestamp(end_date)

# Calculate the number of business days between the two dates
business_days = pd.bdate_range(start=start_date_ts, end=end_date_ts).size

print("Start Date:", start_date)
print("End Date:", end_date)
print("Number of Business Days:", business_days)

输出：

开始日期：2024-07-01

结束日期：2024-07-15

工作日数：11

解释：

NumPy 和 Pandas 导入：NumPy 被导入为 np，Pandas 被导入为 pd，以利用它们的日期和时间处理功能。
日期定义：使用 NumPy 的 np.datetime64 定义 start_date 和 end_date 来指定开始和结束日期（分别为 '2024-07-01' 和 '2024-07-15'）。
转换为 pandas 时间戳：此转换将 start_date 和 end_date 从 np.datetime64 转换为 pandas 时间戳 对象（start_date_ts 和 end_date_ts），以兼容 pandas 更高级的日期处理功能。
工作日计算：使用pd.bdate_range生成start_date_ts和end_date_ts之间的工作日期范围（排除周末）。计算该工作日期范围的大小（元素数量）（business_days），表示两日期之间的工作日数量。
打印原始的start_date和end_date。
显示指定日期之间计算的工作日数量（business_days）。

使用 `datetime64` 的最佳实践

在 NumPy 中处理日期和时间数据时，遵循最佳实践可以确保你的分析准确、高效且可靠。正确处理datetime64可以防止常见问题并优化数据处理工作流程。以下是一些关键的最佳实践：

在处理之前确保所有日期和时间数据都采用一致的格式。这有助于避免解析错误和不一致。
选择与你的数据需求匹配的分辨率（‘D’，‘h’，‘m’等）。避免混合不同的分辨率，以防计算不准确。
使用 datetime64 表示缺失或无效日期，并在分析前预处理数据以解决这些值。
如果你的数据包含多个时区，请在处理工作流的早期阶段将所有时间戳标准化为一个通用时区。
检查你的日期是否在datetime64的有效范围内，以避免溢出错误和意外结果。

结论

总结来说，NumPy 的 datetime64 数据类型提供了一个强大的框架，用于在数值计算中管理日期和时间数据。它为各种应用提供了灵活性和计算效率，例如数据分析、模拟等。

我们探讨了如何使用 NumPy 进行日期和时间计算，深入了解了核心概念及其使用 datetime64 数据类型的表现。我们讨论了日期和时间在数据分析中的常见应用。同时，我们还审视了在 NumPy 中处理日期和时间数据的常见困难，例如格式不一致、时区问题和分辨率不匹配。

遵循这些最佳实践可以确保你对datetime64的使用既准确又高效，从而为你的数据提供更可靠和有意义的见解。

Shittu Olumide 是一名软件工程师和技术作家，热衷于利用前沿技术来撰写引人入胜的叙述，对细节有敏锐的洞察力，并擅长简化复杂的概念。你还可以在Twitter上找到 Shittu。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

using-numpy-to-perform-date-and-time-calculations.md

using-numpy-to-perform-date-and-time-calculations.md

使用 NumPy 执行日期和时间计算

我们的前三大课程推荐

什么是 DateTime

`datetime64`在 NumPy 中的特点

你倾向于在哪里使用日期和时间？

场景：分析电子商务销售数据

使用日期和时间时的常见困难

如何进行日期和时间计算

向日期添加天数

计算两个日期之间的时间差

处理时区和工作日

使用 `datetime64` 的最佳实践

结论

更多相关内容

Files

using-numpy-to-perform-date-and-time-calculations.md

Latest commit

History

using-numpy-to-perform-date-and-time-calculations.md

File metadata and controls

使用 NumPy 执行日期和时间计算

我们的前三大课程推荐

什么是 DateTime

datetime64在 NumPy 中的特点

你倾向于在哪里使用日期和时间？

场景：分析电子商务销售数据

使用日期和时间时的常见困难

如何进行日期和时间计算

向日期添加天数

计算两个日期之间的时间差

处理时区和工作日

使用 datetime64 的最佳实践

结论

更多相关内容

`datetime64`在 NumPy 中的特点

使用 `datetime64` 的最佳实践