Datum und Uhrzeit

Mit pandas könnt ihr Series mit Datums- und Zeitinformationen erstellen. Im folgenden werden wir häufige Operationen mit Datumsdaten zeigen.

Hinweis:

pandas unterstützt Datumsangaben, die in UTC-Werten gespeichert sind und den Datentyp datetime64[ns] verwenden. Es werden auch lokale Zeiten aus einer einzigen Zeitzone unterstützt. Mehrere Zeitzonen werden durch ein pandas.Timestamp-Objekt unterstützt. Wenn ihr mit Zeiten aus mehreren Zeitzonen hantieren müsst, würde ich die Daten vermutlich nach Zeitzonen aufteilen und für jede Zeitzone einen eigenen DataFrame oder eine eigene Series verwenden.

Siehe auch:

• Time series / date functionality

Laden von UTC-Zeitdaten

import pandas as pd

dt = pd.date_range("2022-03-27", periods=6, freq="H")

dt

DatetimeIndex(['2022-03-27 00:00:00', '2022-03-27 01:00:00',
               '2022-03-27 02:00:00', '2022-03-27 03:00:00',
               '2022-03-27 04:00:00', '2022-03-27 05:00:00'],
              dtype='datetime64[ns]', freq='H')

utc = pd.to_datetime(dt, utc=True)

utc

DatetimeIndex(['2022-03-27 00:00:00+00:00', '2022-03-27 01:00:00+00:00',
               '2022-03-27 02:00:00+00:00', '2022-03-27 03:00:00+00:00',
               '2022-03-27 04:00:00+00:00', '2022-03-27 05:00:00+00:00'],
              dtype='datetime64[ns, UTC]', freq='H')

Hinweis:

Der Typ des Ergebnisses dtype='datetime64[ns, UTC]' zeigt an, dass die Daten als UTC gespeichert sind.

Konvertieren wir diese Reihe in die Zeitzone Europe/Berlin:

utc.tz_convert('Europe/Berlin')

DatetimeIndex(['2022-03-27 01:00:00+01:00', '2022-03-27 03:00:00+02:00',
               '2022-03-27 04:00:00+02:00', '2022-03-27 05:00:00+02:00',
               '2022-03-27 06:00:00+02:00', '2022-03-27 07:00:00+02:00'],
              dtype='datetime64[ns, Europe/Berlin]', freq='H')

Umrechnung der Ortszeit in UTC

local = utc.tz_convert('Europe/Berlin')

local.tz_convert('UTC')

DatetimeIndex(['2022-03-27 00:00:00+00:00', '2022-03-27 01:00:00+00:00',
               '2022-03-27 02:00:00+00:00', '2022-03-27 03:00:00+00:00',
               '2022-03-27 04:00:00+00:00', '2022-03-27 05:00:00+00:00'],
              dtype='datetime64[ns, UTC]', freq='H')

Umrechnung in Unixzeit

Wenn ihr eine Series mit UTC- oder Ortszeitinformationen habt, könnt ihr mit diesem Code die Sekunden nach der Unixzeit ermitteln:

uts = pd.to_datetime(dt).view(int) / 10**9

uts

array([1.6483392e+09, 1.6483428e+09, 1.6483464e+09, 1.6483500e+09,
       1.6483536e+09, 1.6483572e+09])

Um die Unixzeit in UTC zu laden, könnt ihr wie folgt vorgehen:

(pd.to_datetime(uts, unit='s').tz_localize('UTC'))

DatetimeIndex(['2022-03-27 00:00:00+00:00', '2022-03-27 01:00:00+00:00',
               '2022-03-27 02:00:00+00:00', '2022-03-27 03:00:00+00:00',
               '2022-03-27 04:00:00+00:00', '2022-03-27 05:00:00+00:00'],
              dtype='datetime64[ns, UTC]', freq=None)

Manipulation von Terminen

Umwandeln in Strings

Mit pandas.DatetimeIndex habt ihr einige Möglichkeiten, Datum und Uhrzeit in Strings umzuwandeln, z.B. in den Namen des Wochentags:

local.day_name(locale='de_DE.UTF-8')

Index(['Sonntag', 'Sonntag', 'Sonntag', 'Sonntag', 'Sonntag', 'Sonntag'], dtype='object')

Welche locale bei euch zur Verfügung stehen, könnt ihr euch mit locale -a anzeigen lassen:

!locale -a

C
C.UTF-8
de_AT.utf8
de_BE.utf8
de_CH.utf8
de_DE.utf8
de_IT.utf8
de_LI.utf8
de_LU.utf8
en_AG
en_AG.utf8
en_AU.utf8
en_BW.utf8
en_CA.utf8
en_DK.utf8
en_GB.utf8
en_HK.utf8
en_IE.utf8
en_IL
en_IL.utf8
en_IN
en_IN.utf8
en_NG
en_NG.utf8
en_NZ.utf8
en_PH.utf8
en_SG.utf8
en_US.utf8
en_ZA.utf8
en_ZM
en_ZM.utf8
en_ZW.utf8
POSIX

Weitere Attribute von DatetimeIndex, mit denen sich Datum und Zeit in Strings umwandeln lassen, sind:

Attribut	Beschreibung
year	das Jahr der datetime
month	der Monat als Januar 1 und Dezember 12
day	der Tag der datetime
hour	die Stunden der datetime
minute	die Minuten der datetime
second	die Sekunden der datetime
microsecond	die Mikrosekunden der datetime
nanosecond	die Nanosekunden von datetime
date	gibt ein Numpy-Array von Python datetime.date-Objekten zurück
time	gibt ein NumPy-Array von datetime.time-Objekten zurück
timetz	liefert ein numpy-Array von datetime.time-Objekten mit Zeitzoneninformationen
dayofyear, day_of_year	der ordinale Tag des Jahres
dayofweek	der Tag der Woche mit Montag (0) und Sonntag (6)
day_of_week	der Tag der Woche mit Montag (0) und Sonntag (6)
weekday	der Tag der Woche mit Montag (0) und Sonntag (6)
quarter	gibt das Jahresquartal zurück
tz	gibt die Zeitzone zurück
freq	gibt das Frequenzobjekt zurück, wenn es gesetzt ist, andernfalls None
freqstr	gibt das Frequenz-Objekt als String zurück, wenn es gesetzt ist, andernfalls None
is_month_start	zeigt an, ob das Datum der erste Tag des Monats ist
is_month_end	zeigt an, ob das Datum der letzte Tag des Monats ist
is_quarter_start	zeigt an, ob das Datum der erste Tag eines Quartals ist
is_quarter_end	zeigt an, ob das Datum der letzte Tag eines Quartals ist
is_year_start	zeigt an, ob das Datum der erste Tag eines Jahres ist
is_year_end	zeigt an, ob das Datum der letzte Tag eines Jahres ist
is_leap_year	Boolescher Indikator, ob das Datum in ein Schaltjahr fällt
inferred_freq	versucht, eine Zeichenkette zurückzugeben, die eine durch infer_freq ermittelte Frequenz darstellt

Es gibt jedoch auch einige Methoden, mit denen ihr den DatetimeIndex in Stringsumwandeln könnt, z.B. strftime:

local.strftime('%d.%m.%Y')

Index(['27.03.2022', '27.03.2022', '27.03.2022', '27.03.2022', '27.03.2022',
       '27.03.2022'],
      dtype='object')

Hinweis:

In strftime() and strptime() Format Codes erhaltet ihr eine Übersicht über die verschiedenen Formattierungsmöglichkeiten von strftime.

Weitere Methoden sind:

Methode	Beschreibung
normalize	konvertiert Zeiten in Mitternacht
strftime	konvertiert in Index unter Verwendung des angegebenen Datumsformats
snap	rastet den Zeitstempel auf der nächsten auftretenden Frequenz ein
tz_convert	konvertiert ein tz-fähiges Datetime-Array/Index von einer Zeitzone in eine andere
tz_localize	Lokalisiert tz-naives Datetime Array/Index in tz-kompatibles Datetime Array/Index
round	rundet die Daten zur nächsten angegebenen Frequenz
floor	rundet die Daten ab auf die angegebene Frequenz
ceil	rundet die Daten auf auf die angegebene Frequenz
to_period	wandelt die Daten um in einen PeriodArray/Index bei einer bestimmten Frequenz
to_perioddelta	Berechnet TimedeltaArray der Differenz zwischen den Indexwerten und dem in PeriodArray umgewandelten Index bei der angegebenen Frequenz
to_pydatetime	gibt Datetime Array/Index als ndarray-Objekt von datetime.datetime-Objekten zurück
to_series	erzeugt eine Series mit Index und Werten, die den Indexschlüsseln entsprechen; nützlich mit map für die Rückgabe eines Indexers
to_frame	erzeugt einen DataFrame mit einer Spalte, die den Index enthält
month_name	gibt die Monatsnamen des DateTimeIndex mit dem angegebenen locale zurück
day_name	gibt die Tagesnamen des DateTimeIndex mit dem angegebenen locale zurück
mean	gibt den Mittelwert des Arrays zurück
std	gibt die Standardabweichung der Stichprobe über die angeforderte Achse zurück