【Python数据分析】58.时间序列——时区处理

2023年2月13日

611

本系列文章配套代码获取有以下三种途径：

可以在以下网站查看，该网站是使用JupyterLite搭建的web端Jupyter环境，因此无需在本地安装运行环境即可使用，首次运行浏览器需要下载一些配置文件（大约20M）：

https://returu.github.io/Python_Data_Analysis/lab/index.html

也可以通过百度网盘获取，需要在本地配置代码运行环境，环境配置可以查看【Python基础】2.搭建Python开发环境：

链接：https://pan.baidu.com/s/1MYkeYeVAIRqbxezQECHwcA?pwd=mnsj 提取码：mnsj

前往GitHub详情页面，单击 code 按钮，选择Download ZIP选项：

https://github.com/returu/Python_Data_Analysis

根据《Python for Data Analysis 3rd Edition》翻译整理

—————————————————–

在Python中，时区语言来源于第三方库 pytz ，公开了Olson数据库，是一个世界时区信息的汇编。

前往pytz库官方文档（https://pypi.org/project/pytz/）查看更多详细信息。

Pandas 封装了 pytz 的功能，因此可以忽略时区名称之外的 API。由于 pandas 对 pytz 有很强的依赖性，因此无须单独安装。可以通过交互方式查看时区名称：

1>>> import pytz
2
3>>> pytz.common_timezones[:5]
4['Africa/Abidjan', 'Africa/Accra', 'Africa/Addis_Ababa', 'Africa/Algiers', 'Africa/Asmara']

要获取 pytz 的时区对象，需要使用 pytz.timezone：

1>>> tz = pytz.timezone("Asia/shanghai")
2>>> tz
3<DstTzInfo 'Asia/Shanghai' LMT+8:06:00 STD>

1.时区本地化和转换：

默认情况下，pandas 中的时间序列是时区简单型的。例如，考虑以下时间序列，索引的 tz 属性是None:

 1>>> dates = pd.date_range("2022-12-12 11:30" , periods=6)
 2
 3>>> ts = pd.Series(np.arange(len(dates)) , index=dates)
 4>>> ts
 52022-12-12 11:30:00    0
 62022-12-13 11:30:00    1
 72022-12-14 11:30:00    2
 82022-12-15 11:30:00    3
 92022-12-16 11:30:00    4
102022-12-17 11:30:00    5
11Freq: D, dtype: int32
12
13>>> print(ts.index.tz)
14None

可以使用时区集合生成日期范围：

1>>> pd.date_range("2022-12-12 11:30" , periods=6 , tz="UTC")
2DatetimeIndex(['2022-12-12 11:30:00+00:00', '2022-12-13 11:30:00+00:00',
3               '2022-12-14 11:30:00+00:00', '2022-12-15 11:30:00+00:00',
4               '2022-12-16 11:30:00+00:00', '2022-12-17 11:30:00+00:00'],
5              dtype='datetime64[ns, UTC]', freq='D')

通过tz_localize 方法可以从简单时区转换到本地化时区：

 1>>> ts
 22022-12-12 11:30:00    0
 32022-12-13 11:30:00    1
 42022-12-14 11:30:00    2
 52022-12-15 11:30:00    3
 62022-12-16 11:30:00    4
 72022-12-17 11:30:00    5
 8Freq: D, dtype: int32
 9
10>>> ts_utc = ts.tz_localize("UTC")
11>>> ts_utc
122022-12-12 11:30:00+00:00    0
132022-12-13 11:30:00+00:00    1
142022-12-14 11:30:00+00:00    2
152022-12-15 11:30:00+00:00    3
162022-12-16 11:30:00+00:00    4
172022-12-17 11:30:00+00:00    5
18Freq: D, dtype: int32
19
20>>> ts_utc.index
21DatetimeIndex(['2022-12-12 11:30:00+00:00', '2022-12-13 11:30:00+00:00',
22               '2022-12-14 11:30:00+00:00', '2022-12-15 11:30:00+00:00',
23               '2022-12-16 11:30:00+00:00', '2022-12-17 11:30:00+00:00'],
24              dtype='datetime64[ns, UTC]', freq='D')

一旦时间序列被本地化为某个特定的时区，则可以通过 tz_convert 将其转换为另一个时区：

1>>> ts_utc.tz_convert("Asia/shanghai")
22022-12-12 19:30:00+08:00    0
32022-12-13 19:30:00+08:00    1
42022-12-14 19:30:00+08:00    2
52022-12-15 19:30:00+08:00    3
62022-12-16 19:30:00+08:00    4
72022-12-17 19:30:00+08:00    5
8Freq: D, dtype: int32

tz_localize 和 tz_convert 也是DatetimeIndex 的实例方法：

 1>>> ts.index
 2DatetimeIndex(['2022-12-12 11:30:00', '2022-12-13 11:30:00',
 3               '2022-12-14 11:30:00', '2022-12-15 11:30:00',
 4               '2022-12-16 11:30:00', '2022-12-17 11:30:00'],
 5              dtype='datetime64[ns]', freq='D')
 6
 7>>> ts_utc_index = ts.index.tz_localize("UTC")
 8>>> ts_utc_index
 9DatetimeIndex(['2022-12-12 11:30:00+00:00', '2022-12-13 11:30:00+00:00',
10               '2022-12-14 11:30:00+00:00', '2022-12-15 11:30:00+00:00',
11               '2022-12-16 11:30:00+00:00', '2022-12-17 11:30:00+00:00'],
12              dtype='datetime64[ns, UTC]', freq='D')
13
14>>> ts_utc_index.tz_convert("Asia/shanghai")
15DatetimeIndex(['2022-12-12 19:30:00+08:00', '2022-12-13 19:30:00+08:00',
16               '2022-12-14 19:30:00+08:00', '2022-12-15 19:30:00+08:00',
17               '2022-12-16 19:30:00+08:00', '2022-12-17 19:30:00+08:00'],
18              dtype='datetime64[ns, Asia/Shanghai]', freq='D')

2.时区感知时间戳对象的操作：

与时间序列和日期范围类似，单个 Timestamp 对象同样也可以从简单时间戳本地化为时区感知时间戳，并从一个时区转换为另一个时区：

 1>>> stamp = pd.Timestamp("2022-12-12 11:30")
 2>>> stamp
 3Timestamp('2022-12-12 11:30:00')
 4
 5>>> stamp_utc = stamp.tz_localize("UTC")
 6>>> stamp_utc
 7Timestamp('2022-12-12 11:30:00+0000', tz='UTC')
 8
 9>>> stamp_utc.tz_convert("Asia/shanghai")
10Timestamp('2022-12-12 19:30:00+0800', tz='Asia/Shanghai')

也可以在创建时间戳时传递时区：

1>>> stamp_china = pd.Timestamp("2022-12-12 11:30", tz="Asia/shanghai")
2>>> stamp_china
3Timestamp('2022-12-12 11:30:00+0800', tz='Asia/Shanghai')

时区感知的Timestamp 对象内部存储了一个 Unix 纪元（1970 年 1 月 1 日）至今的纳秒数量UTC时间戳数值，该数值在时区转换时时不变的：

1>>> stamp_utc.value
21670844600000000000
3
4>>> stamp_utc.tz_convert("Asia/shanghai").value
51670844600000000000

在使用Pandas中的 DateOffset 对象进行时间算术时，pandas 会尽可能遵守夏令时。

1>>> from pandas.tseries.offsets import Hour
2
3>>> stamp = pd.Timestamp("2022-12-12 11:30", tz="Asia/shanghai")
4>>> stamp
5Timestamp('2022-12-12 11:30:00+0800', tz='Asia/Shanghai')
6
7>>> stamp + Hour()
8Timestamp('2022-12-12 12:30:00+0800', tz='Asia/Shanghai')

3.不同时区间的操作：

如果两个时区不同的时间序列需要联合操作，那么结果将是UTC时间的。由于时间戳以UTC格式存储，这是一个简单的操作，不需要转换：

 1>>> dates = pd.date_range("2022-12-12 11:30", periods=10, freq="B")
 2>>> dates
 3DatetimeIndex(['2022-12-12 11:30:00', '2022-12-13 11:30:00',
 4               '2022-12-14 11:30:00', '2022-12-15 11:30:00',
 5               '2022-12-16 11:30:00', '2022-12-19 11:30:00',
 6               '2022-12-20 11:30:00', '2022-12-21 11:30:00',
 7               '2022-12-22 11:30:00', '2022-12-23 11:30:00'],
 8              dtype='datetime64[ns]', freq='B')
 9
10>>> ts = pd.Series(np.arange(len(dates)), index=dates)
11>>> ts
122022-12-12 11:30:00    0
132022-12-13 11:30:00    1
142022-12-14 11:30:00    2
152022-12-15 11:30:00    3
162022-12-16 11:30:00    4
172022-12-19 11:30:00    5
182022-12-20 11:30:00    6
192022-12-21 11:30:00    7
202022-12-22 11:30:00    8
212022-12-23 11:30:00    9
22Freq: B, dtype: int32
23
24>>> ts1 = ts[:7].tz_localize("Asia/shanghai")
25>>> ts1
262022-12-12 11:30:00+08:00    0
272022-12-13 11:30:00+08:00    1
282022-12-14 11:30:00+08:00    2
292022-12-15 11:30:00+08:00    3
302022-12-16 11:30:00+08:00    4
312022-12-19 11:30:00+08:00    5
322022-12-20 11:30:00+08:00    6
33dtype: int32
34
35>>> ts2 = ts1[2:].tz_convert("Europe/Moscow")
36>>> ts2
372022-12-14 06:30:00+03:00    2
382022-12-15 06:30:00+03:00    3
392022-12-16 06:30:00+03:00    4
402022-12-19 06:30:00+03:00    5
412022-12-20 06:30:00+03:00    6
42dtype: int32
43
44>>> result = ts1 + ts2
45>>> result
462022-12-12 03:30:00+00:00     NaN
472022-12-13 03:30:00+00:00     NaN
482022-12-14 03:30:00+00:00     4.0
492022-12-15 03:30:00+00:00     6.0
502022-12-16 03:30:00+00:00     8.0
512022-12-19 03:30:00+00:00    10.0
522022-12-20 03:30:00+00:00    12.0
53dtype: float64
54>>> result.index
55DatetimeIndex(['2022-12-12 03:30:00+00:00', '2022-12-13 03:30:00+00:00',
56               '2022-12-14 03:30:00+00:00', '2022-12-15 03:30:00+00:00',
57               '2022-12-16 03:30:00+00:00', '2022-12-19 03:30:00+00:00',
58               '2022-12-20 03:30:00+00:00'],
59              dtype='datetime64[ns, UTC]', freq=None)

本篇文章来源于微信公众号: 码农设计师

Previous article【小工具】让ChatGPT教我们如何调用OpenAI API

Next article【Shapely矢量数据空间分析】2.Shapely中的几何对象及通用属性和方法

【Python数据分析】58.时间序列——时区处理

【Python小程序】自动解压并删除压缩包

【Python小程序】查找并删除重复文件

【Python小程序】实现文件自动归类

欢迎留下您的宝贵建议 Cancel reply

Most Popular

【ArcGIS工具箱】221.几何网络——重新构建...

【深度学习(PyTorch篇)】47.可视化工具—...

【深度学习(PyTorch篇)】46.可视化工具—...

【深度学习(PyTorch篇)】45.autogr...

Recent Comments

EDITOR PICKS

RSS

3D Map Generator Terrain

1.ENVI软件操作基础——窗口介绍及打开、浏览数...

POPULAR POSTS

【Python基础】24.模块和包

【ArcGIS工具箱】26.提取分析——按属性提取...

【Python数据分析】30.二进制数据和Exce...

POPULAR CATEGORY